DE112019004261T5

DE112019004261T5 - Analysis and correction of the supply chain design through machine learning

Info

Publication number: DE112019004261T5
Application number: DE112019004261.0T
Authority: DE
Inventors: Marcio Oliveira Almeida; Zhen Lin; Behrouz Haji Soleimani; Chantal Bisson-Krol; Seyednaser Nourashrafeddin
Original assignee: Kinaxis Inc
Current assignee: Kinaxis Inc
Priority date: 2018-08-31
Filing date: 2019-08-30
Publication date: 2021-06-24
Also published as: WO2020041901A1; US11188856B2; US20230103269A2; US20220101234A1; US20210089989A1; GB2590856A; US11748678B2; US20200074370A1; GB202102941D0; US20230325743A1; US10832196B2

Abstract

Ein dynamisches Lieferketten-Planungssystem zur Analyse historischer Vorlaufzeit-Daten, das Machine-Learning-Algorithmen verwendet, um zukünftige Vorlaufzeiten basierend auf historischen Vorlaufzeit-Daten vorherzusagen und um historische Vorlaufzeit-Daten in Cluster zu unterteilen, die auf Saisonalität und Linearität basieren. Die Ergebnisse des Machine Learnings werden weiterhin verarbeitet, um zukünftige geplante Vorlaufzeiten anzupassen und Quellen in der Lieferkette zu identifizieren, die zu großen Abweichungen zwischen historischen geplanten Vorlaufzeiten und tatsächlichen Vorlaufzeiten beitragen.

A dynamic supply chain planning system for analyzing historical lead time data that uses machine learning algorithms to predict future lead times based on historical lead time data and to divide historical lead time data into clusters based on seasonality and linearity. The results of the machine learning continue to be processed to adjust future planned lead times and to identify sources in the supply chain that contribute to large deviations between historical planned lead times and actual lead times.

Description

TECHNISCHER BEREICHTECHNICAL PART

Die vorliegende Offenlegung bezieht sich im Allgemeinen auf das Lieferketten-Management und insbesondere auf die Anpassung der Lieferkettenplanung basierend der Analyse der historischen Lieferketten-Management-Leistung.This disclosure relates generally to supply chain management and, more particularly, to adjusting supply chain planning based on analysis of historical supply chain management performance.

HINTERGRUNDBACKGROUND

Trotz des technischen Fortschritts besteht immer noch eine große Kluft zwischen der Gestaltung einer Lieferkette und ihrem tatsächlichen Betrieb. Eine Lieferkette ist ein komplexes System, da sie viele voneinander abhängige Komponenten beinhaltet. Ein Problem mit einer einzelnen Komponente (z. B. ein chronisch verspäteter Lieferant) - oder mehreren - kann sich auf die gesamte Lieferkette auswirken und zu Effizienz- und Umsatzverlusten führen. Daher ist es von Vorteil, die tatsächlichen Leistungsfähigkeiten einer Lieferkette genau zu messen, sie mit der ursprünglichen Gestaltung zu vergleichen und gegebenenfalls systematische Korrekturen vorzunehmen. Darüber hinaus wäre es hilfreich, eine tiefgreifende Analyse der Abweichungen von der ursprünglichen Gestaltung durchzuführen, um die Ursachen für diese Diskrepanzen zu identifizieren und dadurch eine langfristige Lösung zu finden und so die Geschäftsmetriken zu verbessern (z. B. Umsatz, Kundenzufriedenheit, Gesamtbestand, etc.).Despite technological advances, there is still a large gap between how a supply chain is designed and how it actually operates. A supply chain is a complex system because it contains many interdependent components. A problem with a single component (e.g. a chronically delayed supplier) - or several - can affect the entire supply chain and lead to losses in efficiency and revenue. It is therefore advantageous to precisely measure the actual capabilities of a supply chain, compare them with the original design and, if necessary, make systematic corrections. In addition, it would be helpful to conduct an in-depth analysis of the deviations from the original design in order to identify the causes of these discrepancies and thereby find a long-term solution and thus improve the business metrics (e.g. sales, customer satisfaction, total inventory, etc.) .).

Eine Reihe von Veröffentlichungen diskutieren die prädiktive Analyse von Geschäftsmetriken basierend auf der Analyse historischer Daten (einschließlich Machine-Learning).A number of publications discuss predictive analysis of business metrics based on the analysis of historical data (including machine learning).

Die U.S. Pub. Nr. 2008/0065436 A1 offenbart Verfahren, Systeme und Computerprogrammprodukte zur Unterstützung der Lieferketteneinrichtung- Leistungsanalyse. Das Verfahren umfasst die Identifizierung von Variablen, die mit der Leistung von Lieferketteneinrichtungen in Zusammenhang stehen, und eine Analyse der Leistung davon unter Verwendung von Standarddateneinhüll-Analyse, statistischer Analyse und Sensitivitätsanalyse. Leistungsrankings der Lieferketteneinrichtungen werden berechnet, während ein Vorschlag zur Leistungsverbesserung bereitgestellt wird.The U.S. Pub. No. 2008/0065436 A1 discloses methods, systems and computer program products for supporting supply chain establishment performance analysis. The method includes identifying variables associated with the performance of supply chain facilities and analyzing the performance thereof using standard data envelope analysis, statistical analysis, and sensitivity analysis. Supply chain facility performance rankings are calculated while a suggestion for performance improvement is provided.

Die U. S. Pub. Nr. 2010/138264 A1 offenbart ein System zur dynamischen Geschäftserweiterung, das einem Unternehmen Zugriff auf seine historischen, aktuellen und zukünftigen Betriebszustände bietet. Eine dynamische Daten-Engine wird verwendet, um historische Transaktionen, aktuelle Lagerbestände und prognostizierte Bedarfsdaten in Echtzeit zu erstellen und anzuzeigen. Attribute der ursprünglichen Transaktionsdaten werden dynamisch konfiguriert und modifiziert - das Ergebnis sind verwaltete Bedarfsprognosen, Budget- und Einkaufsinformationen. Jede Änderung in den Rohdaten aufgrund eines Geschäftsvorfalls wird sofort in der Bedarfsprognose berücksichtigt.The US pub. No. 2010/138264 A1 discloses a system for dynamic business expansion that provides a company with access to its historical, current and future operating conditions. A dynamic data engine is used to create and display historical transactions, current inventory levels and forecast demand data in real time. Attributes of the original transaction data are dynamically configured and modified - the result is managed demand forecasts, budget and purchasing information. Every change in the raw data due to a business transaction is immediately taken into account in the demand forecast.

Das U.S. Patent. Nr. 2018/0101814 A1 offenbart dynamische Lieferketten-Management-Systeme und Verfahren, die historische Auftragsdaten kompilieren und zerlegen können, um Kausalitätsfaktoren zu identifizieren, die Variabilität in historischen Vorlaufzeiten oder Füllraten von Aufträgen erzeugt haben. Diese Faktoren werden auf aktuelle Bestellungen angewandt, um aktuelle Vorlaufzeiten und Füllraten von Bestellungen zu bestimmen.The US patent. No. 2018/0101814 A1 discloses dynamic supply chain management systems and methods that can compile and decompose historical order data to identify causality factors that have created variability in historical lead times or fill rates of orders. These factors are applied to current orders to determine current order lead times and fill rates.

Das U.S. Patent Nr. 9600779 B2 offenbart einen Klassifizierer für maschinelles Lernen, der ein Subsystem zur Verarbeitung von Datensätzen enthält, um einen Trainingssatz und einen Validierungssatz aus mehreren Datenquellen zu erzeugen. Das System umfasst weiterhin eine Klassifizierer-Hardware, einen mit der Klassifizierer-Hardware verbundenen Puffer und ein mit der Klassifizierer-Hardware verbundenes Register. Die Klassifizierer-Hardware induziert einen Klassifizierer gemäß dem Trainingssatz und testet den Klassifizierer gemäß dem Validierungssatz.The US Patent No. 9600779 B2 discloses a machine learning classifier that includes a data set processing subsystem to generate a training set and a validation set from multiple data sources. The system further includes classifier hardware, a buffer connected to the classifier hardware, and a register connected to the classifier hardware. The classifier hardware induces a classifier according to the training set and tests the classifier according to the validation set.

Das U. S. Patent Nr. 6611726 B1 offenbart ein Verfahren zur Bestimmung optimaler Zeitreihenvorhersageparameter. Das Verfahren umfasst die Auswahl einer abhängigen Variablen, für die ein Wert prognostiziert werden soll, das Sammeln historischer Daten über Werte der abhängigen Variablen und zugehöriger Variablen in historischen Zeiträumen und die Bestimmung einer Vorhersagegleichung auf der Grundlage der historischen Daten. Das Verfahren berechnet weiter einen Vorhersagewert der abhängigen Variable für einen zukünftigen Zeitrahmen. Es berechnet auch einen Fehlerwert, indem es den prognostizierten Wert mit den historischen Daten vergleicht. Der Fehlerwert wird dann verwendet, um die Vorhersagegleichung zu modifizieren, um den Fehlerwert zu reduzieren. Ein Beispiel: Die abhängige Variable kann die Produktnachfrage sein.The US Patent No. 6611726 B1 discloses a method for determining optimal time series prediction parameters. The method includes selecting a dependent variable for which to forecast a value, collecting historical data about values of the dependent variable and associated variables in historical time periods, and determining a predictive equation based on the historical data. The method further calculates a predicted value of the dependent variable for a future time frame. It also calculates an error value by comparing the forecast value with the historical data. The error value is then used to modify the prediction equation to reduce the error value. An example: The dependent variable can be product demand.

Berlec, T. et al. stellen in ihrer Arbeit „Predicting Order Lead Time“ (J. of Mech. Eng., 54 (2008)5, 308-321) ein Verfahren vor, bei dem die zu erwartenden Vorlaufzeiten der geplanten Aufträge eines Unternehmens auf Basis der tatsächlichen Vorlaufzeiten der in der Vergangenheit bearbeiteten Aufträge vorhergesagt werden. Das Verfahren liefert eine empirische Verteilung der möglichen Vorlaufzeiten für den neuen Auftrag, die dann zur Vorhersage der wahrscheinlichsten Vorlaufzeit eines neuen Auftrags verwendet wird.Berlec, T. et al. present in their work "Predicting Order Lead Time" (J. of Mech. Eng., 54 (2008) 5, 308-321) a method in which the expected lead times of the planned orders of a company are based on the actual lead times of the orders processed in the past can be predicted. The method provides an empirical distribution of the possible lead times for the new order, which is then used to predict the most likely lead time of a new order.

Lingitz, L. et al. offenbaren in ihrem Artikel „Lead time prediction using machine learning algorithms: a case study by a semiconductor manufacturer“ (Science Direct, Procedia CIRP 72 (2018), 1051-1056), eine Untersuchung von Verfahren zur Vorlaufzeit-Vorhersage für die Halbleiterfertigung. Es werden überwachte maschinelle Lernansätze für die Vorlaufzeit-Vorhersage verwendet, die auf historischen Produktionsdaten basieren, die aus Fertigungsausführungssystemen gewonnen wurden. Regressionsalgorithmen werden auf ihre Wirkung zur Erhöhung der Genauigkeit der Vorlaufzeit-Vorhersage untersucht.Lingitz, L. et al. disclose in their article "Lead time prediction using machine learning algorithms: a case study by a semiconductor manufacturer" (Science Direct, Procedia CIRP 72 (2018), 1051-1056), an investigation of methods for lead time prediction for semiconductor manufacturing. Supervised machine learning approaches are used for lead time prediction based on historical production data obtained from manufacturing execution systems. Regression algorithms are examined for their effect on increasing the accuracy of the lead time prediction.

Die Vorlaufzeit ist eine wichtige Kennzahl in der Lieferkette, die einen erheblichen Einfluss auf die Bestandskosten und den verspäteten Umsatz in Lieferketten hat. Ungenaue Planungsparameter für die Vorlaufzeit können zu erheblicher Ineffizienz in der Lieferkette und zu Kostenüberschreitungen führen. Aufgrund der großen Menge und Variabilität von Daten in Bezug auf Vorlaufzeiten ist es eine Herausforderung, Abweichungen in den Vorlaufzeiten, die in den Lieferplanungsdaten verwendet werden, durch konventionelle Liefermanagement-Tools zu erkennen und zu korrigieren. Nichtsdestotrotz ist eine solche Analyse wichtig, um die Leistung und Effizienz des Lieferkettenmanagements zu verbessern.Lead time is an important metric in the supply chain that has a significant impact on inventory costs and delayed sales in supply chains. Inaccurate planning parameters for the lead time can lead to significant inefficiency in the supply chain and cost overruns. Due to the large amount and variability of data in terms of lead times, it is challenging to identify and correct discrepancies in lead times used in the delivery planning data through conventional delivery management tools. Nonetheless, such analysis is important to improve the performance and efficiency of supply chain management.

SUMMARYSUMMARY

In Übereinstimmung mit einer Ausführungsform umfasst ein dynamisches Lieferketten-Planungssystem:

eine Datenbank, die historische Vorlaufzeit-Daten, die sich auf eine Lieferkette beziehen; einen Machine-Learning-Server umfassend einen Machine-Learning-Dienst, wobei der Machine-Learning-Server in Kommunikation mit einer Datenbank steht; das Datenvorbereitungsmodul in Kommunikation mit der Datenbank steht, um die historischen Vorlaufzeit-Daten zu erhalten; das Datenvorbereitungsmodul die historischen Vorlaufzeit-Daten in einen verarbeiteten historischen Vorlaufzeit-Datensatz zur Verwendung durch den Machine-Learning-Dienst verarbeitet; der Machine-Learning-Dienst mindestens eines von einem Vorhersagemodul und einem Clustermodul umfasst; das Vorhersagemodul konfiguriert ist, um zukünftige Vorlaufzeiten der Versorgungskette basierend auf dem verarbeiteten historischen Vorlaufzeit-Datensatz vorherzusagen; das Clustermodul konfiguriert ist, um eine Vielzahl von Clustern basierend auf vordefinierten Merkmalen bereitzustellen; und
der Machine Learning Server die zukünftigen Vorlaufzeiten und die Vielzahl von Clustern in die Datenbank hochlädt.

In accordance with one embodiment, a dynamic supply chain planning system includes:

a database containing historical lead time data related to a supply chain; a machine learning server comprising a machine learning service, the machine learning server being in communication with a database; the data preparation module is in communication with the database to obtain the historical lead time data; the data preparation module processes the historical lead time data into a processed historical lead time data set for use by the machine learning service; the machine learning service comprises at least one of a prediction module and a cluster module; the prediction module is configured to predict future supply chain lead times based on the processed historical lead time data set; the cluster module is configured to provide a plurality of clusters based on predefined characteristics; and
the machine learning server uploads the future lead times and the large number of clusters to the database.

In einigen Ausführungsformen teilt das Vorhersagemodul die verarbeiteten historischen Vorlaufzeit-Daten in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten auf, wobei der erste Teil aus mehr als 50% der Datenpunkte besteht und der zweite Teil aus weniger als 50% der Datenpunkte besteht; trainiert jeden einer Vielzahl von Machine Learning-Vorhersage-Algorithmen auf dem ersten Teil, und testet anschließend jeden der Vielzahl von Machine Learning-Vorhersage-Algorithmen auf dem zweiten Teil; wählt denjenigen Machine Learning-Vorhersage-Algorithmus aus, der eine größte Genauigkeit beim Testen des zweiten Teils aufweist; und trainiert den ausgewählten Machine Learning-Vorhersage-Algorithmus erneut auf den verarbeiteten historischen Vorlaufzeit-Daten.In some embodiments, the prediction module divides the processed historical lead time data into a first part of data points and a second part of data points, the first part consisting of more than 50% of the data points and the second part consisting of less than 50% of the data points ; trains each of a plurality of machine learning prediction algorithms on the first part, and then tests each of the plurality of machine learning prediction algorithms on the second part; selects the machine learning prediction algorithm that has the greatest accuracy when testing the second part; and retrains the selected machine learning prediction algorithm on the processed historical lead time data.

In einigen Ausführungsformen besteht der erste Teil aus 51%-80% der Datenpunkte und der zweite Teil aus 20%-49% der Datenpunkte, so dass der erste und der zweite Teil insgesamt 100% der Datenpunkte ausmachen.In some embodiments, the first part consists of 51% -80% of the data points and the second part consists of 20% -49% of the data points, so that the first and second parts together make up 100% of the data points.

In einigen Ausführungsformen umfasst die Vielzahl der Machine-Learning-Algorithmen Adaboost Regressor, FB Prophet, lineare Regression, Mittelwert und Median.In some embodiments, the plurality of machine learning algorithms includes Adaboost Regressor, FB Prophet, Linear Regression, Mean, and Median.

In einigen Ausführungsformen erstrecken sich die historischen Vorlaufzeit-Daten über einen Zeitraum von zwei Jahren.In some embodiments, the historical lead time data spans a period of two years.

In einigen Ausführungsformen liefert das Vorhersagemodul monatliche Daten zur zukünftigen Vorlaufzeit, die auf einem monatlichen Durchschnitt der täglichen zukünftigen Vorlaufzeit-Daten basierenIn some embodiments, the prediction module provides monthly future lead time data based on a monthly average of the daily future lead time data

In einigen Ausführungsformen trennt das Clustermodul die verarbeiteten historischen Vorlaufzeit-Daten in Gruppen basierend auf einer Dichte von Datenpunkten und einer Linearität der historischen Vorlaufzeiten; führt eine Clusteranalyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe durch, wobei die vordefinierten Merkmale aus der Saisonalität und der Linearität ausgewählt werden; bereinigt jedes Cluster; und beschneidet jedes Cluster in eine Vielzahl von Subclustern.In some embodiments, the cluster module separates the processed historical lead time data into groups based on a density of data points and a linearity of the historical lead times; performs a cluster analysis based on each of the predefined characteristics within each group, the predefined characteristics being selected from seasonality and linearity; cleans up each cluster; and pruning each cluster into a multitude of sub-clusters.

In einigen Ausführungsformen umfasst das System weiter: ein Analysemodul, das mit der Datenbank kommuniziert; und eine Benutzerschnittstelle, die mit dem Analysemodul kommuniziert; wobei das Analysemodul konfiguriert ist, um: von einem Benutzer über die Benutzerschnittstelle Toleranzkriterien für die Trennung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeit-Daten und historischen geplanten Vorlaufzeit-Daten zu empfangen; und
die historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen zu trennen. In Bezug auf das Vorhersagemodul ist das Analysemodul konfiguriert, um: zukünftige Vorlaufzeiten, die durch das Vorhersagemodul vorhergesagt wurden, aus der Datenbank zu erhalten; zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten, die durch das Vorhersagemodul vorhergesagt wurden, in Übereinstimmung mit einem Aktionskriterium, das durch den Benutzer für jede Toleranzzone definiert wurde, zu ersetzen. Darüber hinaus ist das Analysemodul in Bezug auf das Clustermodul konfiguriert, um: die Vielzahl von Clustern aus der Datenbank zu erhalten; die Vielzahl von Clustern gemäß der Toleranzzone jeder Gruppe zu trennen; weiterhin die Vielzahl von Clustern in Übereinstimmung mit Vorlaufzeit-Identifikatoren zu trennen; und innerhalb der getrennten Cluster die Cluster zu identifizieren, die die größten mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.In some embodiments, the system further comprises: an analysis module in communication with the database; and a user interface in communication with the analysis module; wherein the analysis module is configured to: receive from a user, via the user interface, tolerance criteria for separating the historical lead time data into a plurality of tolerance zones based on mean absolute differences between actual lead time data and historical planned lead time data; and
to separate the historical lead time data into the multitude of tolerance zones. With respect to the prediction module, the analysis module is configured to: obtain future lead times predicted by the prediction module from the database; to replace future planned lead times with the future lead times predicted by the prediction module in accordance with an action criterion defined by the user for each tolerance zone. In addition, with respect to the cluster module, the analysis module is configured to: obtain the plurality of clusters from the database; separate the plurality of clusters according to the tolerance zone of each group; further separating the plurality of clusters in accordance with lead time identifiers; and to identify within the separate clusters the clusters that have the largest mean absolute differences between the actual lead times and the planned lead times.

In einigen Ausführungsformen ist das Analysemodul Teil eines Rapid-Response-Planungssystems, das vor jeder aktuellen Änderung der historischen Vorlaufzeit-Daten: die Toleranzzonen verarbeitet;
zukünftige geplante Vorlaufzeiten durch die vom Vorhersagemodul in Übereinstimmung mit dem Aktionskriterium vorhergesagten zukünftigen Vorlaufzeiten ersetzt; und die Cluster identifiziert, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.In some embodiments, the analysis module is part of a rapid response planning system that, before each current change to the historical lead time data: processes the tolerance zones;
replacing future planned lead times with the future lead times predicted by the prediction module in accordance with the action criterion; and identify the clusters that have the largest absolute median differences between the actual lead times and the planned lead times.

In Übereinstimmung mit einer anderen Ausführungsform umfasst ein dynamisches Lieferketten-Planungssystem:
einen Prozessor, der betreibbar ist, um Befehle auszuführen, die in einem Speicher gespeichert sind; und wobei der Speicher spezifische Befehle zum Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette basierend auf historischen Vorlaufzeit-Daten enthält; wobei die Ausführung der spezifischen Befehle den Prozessor veranlasst: die historischen Vorlaufzeit-Daten von einer Datenbank zu empfangen; die historischen Vorlaufzeit-Daten durch Entfernen von Ausreißer-Daten zu verarbeiten; die verarbeiteten historischen Vorlaufzeit-Daten in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten zu teilen, wobei der erste Teil aus mehr als 50% der Datenpunkte besteht und der zweite Teil aus weniger als 50% der Datenpunkte besteht;
Trainieren jedes einer Vielzahl von Machine-Learning-Vorhersage-Algorithmen auf dem ersten Teil und anschließendes Testen jedes der Vielzahl von Machine-Learning-Vorhersage-Algorithmen auf dem zweiten Teil; Auswählen desjenigen Machine-Learning-Vorhersage-Algorithmus, der beim Testen des zweiten Teils die größte Genauigkeit aufweist; erneutes Trainieren des ausgewählten Machine-Learning-Vorhersage-Algorithmus auf den verarbeiteten historischen Vorlaufzeit-Daten; Verwenden des ausgewählten Machine-Learning-Vorhersage-Algorithmus zum Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette; und Hochladen der zukünftigen Vorlaufzeiten in die Datenbank.In accordance with another embodiment, a dynamic supply chain planning system includes:
a processor operable to execute instructions stored in memory; and wherein the memory contains specific instructions for predicting future lead times of the supply chain based on historical lead time data; wherein the execution of the specific instructions causes the processor to: receive the historical lead time data from a database; process the lead time historical data by removing outlier data; dividing the processed historical lead time data into a first part of data points and a second part of data points, the first part consisting of more than 50% of the data points and the second part consisting of less than 50% of the data points;
Training each of a plurality of machine learning prediction algorithms on the first part and then testing each of the plurality of machine learning prediction algorithms on the second part; Selecting that machine learning prediction algorithm which has the greatest accuracy when testing the second part; retraining the selected machine learning prediction algorithm on the processed historical lead time data; Using the selected machine learning prediction algorithm to predict future supply chain lead times; and uploading future lead times to the database.

In einigen Ausführungsformen des Systems besteht der erste Teil aus 51 %-80 % der Datenpunkte und der zweite Teil aus 20 %-49 % der Datenpunkte, so dass der erste und der zweite Teil insgesamt 100 % der Datenpunkte ausmachen; und die Vielzahl der Machine-Learning-Algorithmen umfassen Adaboost Regressor, FB Prophet, lineare Regression, Mittelwert und Median.In some embodiments of the system, the first part consists of 51% -80% of the data points and the second part consists of 20% -49% of the data points, so that the first and second parts together make up 100% of the data points; and the variety of machine learning algorithms include Adaboost Regressor, FB Prophet, Linear Regression, Mean, and Median.

In einigen Ausführungsformen des Systems erstrecken sich die historischen Vorlaufzeit-Daten über einen Zeitraum von zwei Jahren; und die zukünftigen Vorlaufzeiten basieren auf einem monatlichen Durchschnitt der täglichen zukünftigen Vorlaufzeit-Daten.In some embodiments of the system, the historical lead time data extends over a period of two years; and the future lead times are based on a monthly average of the daily future lead time data.

In einigen Ausführungsformen des Systems ermöglichen die spezifischen Befehle weiter: die Trennung der historischen Vorlaufzeit in Gruppen; und die Verarbeitung der zukünftigen Vorlaufzeiten; wobei die Ausführung der spezifischen Befehle den Prozessor dazu veranlasst: von einem Benutzer Toleranzkriterien für die Trennung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf den mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeit-Daten und den historischen geplanten Vorlaufzeit-Daten zu empfangen; vor jeder aktuellen Änderung in den historischen Vorlaufzeit-Daten die historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen zu trennen; und vor jeder aktuellen Änderung in den historischen Vorlaufzeit-Daten zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit einem vom Benutzer definierten Aktionskriterium für jede Toleranzzone zu ersetzen.In some embodiments of the system, the specific commands further enable: the separation of the historical lead time into groups; and the processing of future lead times; wherein the execution of the specific instructions causes the processor to: a user tolerance criteria for separating the historical lead time data into a plurality of tolerance zones based on the mean absolute differences between the actual lead time data and the historical planned Receive lead time data; before each current change in the historical lead time data, separate the historical lead time data into the plurality of tolerance zones; and before any current change in the historical lead time data, replace future planned lead times with the future lead times in accordance with a user-defined action criterion for each tolerance zone.

In Übereinstimmung mit einer anderen Ausführungsform umfasst ein dynamisches Lieferketten-Planungssystem:
einen Prozessor, der betreibbar ist, um in einem Speicher gespeicherte Befehle auszuführen; und wobei der Speicher spezifische Befehle zum Gruppieren von historischen Vorlaufzeit-Daten einer Lieferkette in eine Vielzahl von Clustern beinhaltet; wobei die Ausführung der spezifischen Befehle den Prozessor veranlasst:
die historischen Vorlaufzeit-Daten von einer Datenbank zu empfangen; die historischen Vorlaufzeit-Daten durch Entfernen von Ausreißer-Daten zu verarbeiten; die verarbeiteten historischen Vorlaufzeit-Daten in Gruppen basierend auf einer Dichte von Datenpunkten und Linearität der historischen Vorlaufzeiten zu trennen; eine Cluster-Analyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe durchzuführen, wobei die vordefinierten Merkmale aus Saisonalität und Linearität ausgewählt sind; jeden Cluster zu bereinigen; jeden Cluster in eine Vielzahl von Subclustern zu zerschneiden; und die Cluster in die Datenbank hochzuladen.In accordance with another embodiment, a dynamic supply chain planning system includes:
a processor operable to execute instructions stored in memory; and wherein the memory contains specific instructions for grouping historical lead time data of a supply chain into a plurality of clusters; where the execution of the specific instructions causes the processor to:
receive the historical lead time data from a database; process the lead time historical data by removing outlier data; separate the processed historical lead time data into groups based on a density of data points and linearity of the historical lead times; perform a cluster analysis based on each of the predefined features within each group, the predefined features selected from seasonality and linearity; clean up each cluster; slice each cluster into a plurality of sub-clusters; and upload the clusters to the database.

In einigen Ausführungsformen des Systems ermöglichen die spezifischen Befehle des Weiteren: die Aufteilung der historischen Vorlaufzeit in Gruppen; und die Verarbeitung der Cluster; wobei die Ausführung der spezifischen Befehle den Prozessor veranlasst: von einem Benutzer Toleranzkriterien für die Trennung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen zu empfangen, basierend auf den mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeit-Daten und den historischen geplanten Vorlaufzeit-Daten; und vor jeder aktuellen Änderung der historischen Vorlaufzeit-Daten: Trennen der historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen; Erhalten der Vielzahl von Clustern aus der Datenbank; Trennen der Vielzahl von Clustern in Übereinstimmung mit der Toleranzzone jeder Gruppe; des Weiteren Trennen der Vielzahl von Clustern in Übereinstimmung mit Vorlaufzeit-Identifikatoren; und Identifizieren von Clustern innerhalb der getrennten Cluster, die die größten mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeiten und geplanten Vorlaufzeiten aufweisen.In some embodiments of the system, the specific commands further enable: the historical lead time to be divided into groups; and the processing of the clusters; wherein the execution of the specific instructions causes the processor to: receive from a user tolerance criteria for separating the historical lead time data into a plurality of tolerance zones based on the mean absolute differences between the actual lead time data and the historical planned lead time data; and before each current change to the historical lead time data: separating the historical lead time data into the plurality of tolerance zones; Obtaining the plurality of clusters from the database; Separating the plurality of clusters in accordance with the tolerance zone of each group; further separating the plurality of clusters in accordance with lead time identifiers; and identifying clusters within the separate clusters that have the largest mean absolute differences between actual lead times and planned lead times.

In Übereinstimmung mit einer anderen Ausführungsform umfasst ein Computer-implementiertes Verfahren:
empfangen von historischen Vorlaufzeit-Daten aus einer Datenbank des dynamischen Lieferketten-Planungssystems;
Verarbeiten der historischen Vorlaufzeit-Daten durch Entfernen von Ausreißerdaten; Zugreifen auf mindestens eines von einem Machine Learning Vorhersagemodul und einem Machine Learning Clustering-Modul. Das Verfahren umfasst beim Zugriff auf das Machine Learning Vorhersagemodul: Aufteilen der verarbeiteten historischen Vorlaufzeit-Daten in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten, wobei der erste Teil aus mehr als 50 % der Datenpunkte besteht und der zweite Teil aus weniger als 50 % der Datenpunkte besteht; Trainieren jedes aus einer Vielzahl von Machine-Learning-Vorhersage-Algorithmen auf dem ersten Teil und anschließendes Testen jedes aus der Vielzahl von Machine-Learning-Vorhersage-Algorithmen auf dem zweiten Teil; Auswählen desjenigen Vorhersage Machine-Learning-Algorithmus, der beim Testen des zweiten Abschnitts die größte Genauigkeit aufweist; erneutes Trainieren des ausgewählten Vorhersage Machine-Learning-Algorithmus auf den verarbeiteten historischen Vorlaufzeit-Daten; Verwenden des ausgewählten Vorhersage Machine-Learning-Algorithmus zum Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette; und Hochladen der zukünftigen Vorlaufzeiten in die Datenbank. Beim Zugriff auf das Machine Learning-Clustermodul umfasst das Verfahren: Trennen der verarbeiteten historischen Vorlaufzeit-Daten in Gruppen basierend auf einer Dichte von Datenpunkten und der Linearität der historischen Vorlaufzeiten; Durchführen einer Cluster-Analyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe, wobei die vordefinierten Merkmale aus der Saisonalität und der Linearität ausgewählt sind; Beschneiden jedes Clusters; Aufteilen jedes Clusters in eine Vielzahl von Subclustern; und Hochladen der Cluster in die DatenbankIn accordance with another embodiment, a computer implemented method includes:
receiving historical lead time data from a database of the dynamic supply chain planning system;
Processing the historical lead time data by removing outlier data; Access one or more of a machine learning prediction module and a machine learning clustering module. When accessing the machine learning prediction module, the method comprises: dividing the processed historical lead time data into a first part of data points and a second part of data points, the first part consisting of more than 50% of the data points and the second part of less than Consists of 50% of the data points; Training each of a plurality of machine learning prediction algorithms on the first part and then testing each of the plurality of machine learning prediction algorithms on the second part; Selecting that prediction machine learning algorithm which has the greatest accuracy when testing the second section; retraining the selected prediction machine learning algorithm on the processed historical lead time data; Using the selected predictive machine learning algorithm to predict future supply chain lead times; and uploading future lead times to the database. In accessing the machine learning cluster module, the method comprises: separating the processed historical lead time data into groups based on a density of data points and the linearity of the historical lead times; Performing a cluster analysis based on each of the predefined features within each group, the predefined features being selected from seasonality and linearity; Pruning each cluster; Dividing each cluster into a plurality of sub-clusters; and uploading the clusters to the database

In einigen Ausführungsformen des Verfahrens ist das dynamische Lieferketten-Planungssystem ein Rapid-Response-Planungssystem, und das Verfahren umfasst des Weiteren: Empfangen von Toleranzkriterien von einem Benutzer über eine Benutzerschnittstelle zum Trennen der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeit-Daten und historischen geplanten Vorlaufzeit-Daten; Trennen der historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen vor irgendeiner aktuellen Änderung in den historischen Vorlaufzeit-Daten; und Ersetzen zukünftiger geplanter Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit einem Aktionskriterium, das durch den Benutzer für jede Toleranzzone definiert ist, vor irgendeiner aktuellen Änderung in den historischen Vorlaufzeit-Daten.In some embodiments of the method, the dynamic supply chain planning system is a rapid response planning system, and the method further comprises: receiving tolerance criteria from a user via a user interface for separating the historical lead time data into a plurality of tolerance zones based on mean absolute Differences between actual lead time data and historical planned lead time data; Separating the lead time historical data into the plurality of tolerance zones prior to any current change in the lead time historical data; and replacing future planned lead times with the future lead times in accordance with an action criteria defined by the user for each tolerance zone prior to any current change in the historical lead time data.

In einigen Ausführungsformen des Verfahrens ist das dynamische Lieferketten-Planungssystem ein Rapid-Response-Planungssystem, und das Verfahren umfasst des Weiteren: Empfangen von Toleranzkriterien von einem Benutzer über eine Benutzerschnittstelle zum Trennen der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeit-Daten und historischen geplanten Vorlaufzeit-Daten:In some embodiments of the method, the dynamic supply chain planning system is a rapid response planning system, and the method further comprises: receiving tolerance criteria from a user via a user interface for separating the historical lead time data into a plurality of tolerance zones based on mean absolute Differences between actual lead time data and historical planned lead time data:

Trennen der historischen Vorlaufzeit-Daten in die Vielzahl von Toleranzzonen; Trennen der Vielzahl von Clustern in Übereinstimmung mit der Toleranzzone jeder Gruppe; weiterhin Trennen der Vielzahl von Clustern in Übereinstimmung mit Vorlaufzeit-Identifizierern; und Identifizieren von Clustern innerhalb der getrennten Cluster, die die größten mittleren absoluten Differenzen zwischen tatsächlichen Vorlaufzeiten und geplanten Vorlaufzeiten aufweisen.Separating the historical lead time data into the plurality of tolerance zones; Separating the plurality of clusters in accordance with the tolerance zone of each group; further separating the plurality of clusters in accordance with lead time identifiers; and identifying clusters within the separate clusters that have the largest mean absolute differences between actual lead times and planned lead times.

In einigen Ausführungsformen des Verfahrens besteht der erste Teil aus 51 %-80 % der Datenpunkte und der zweite Teil aus 20 %-49 % der Datenpunkte, so dass der erste und der zweite Teil insgesamt 100 % der Datenpunkte ausmachen; und die Vielzahl der Machine-Learning-Algorithmen umfassen Adaboost Regressor, FB Prophet, lineare Regression, Mittelwert und Median.In some embodiments of the method, the first part consists of 51% -80% of the data points and the second part consists of 20% -49% of the data points, so that the first and the second part make up 100% of the data points in total; and the variety of machine learning algorithms include Adaboost Regressor, FB Prophet, Linear Regression, Mean, and Median.

Der Begriff „Rapid-Response“ wird weiter unten definiert.The term “rapid response” is defined below.

Die vorstehenden und zusätzlichen Aspekte und Ausführungsformen der vorliegenden Offenbarung werden für den Fachmann in Anbetracht der detaillierten Beschreibung verschiedener Ausführungsformen und/oder Aspekte, die unter Bezugnahme auf die Figuren erfolgt, die im Folgenden kurz beschrieben werden, offensichtlich sein.The foregoing and additional aspects and embodiments of the present disclosure will be apparent to those skilled in the art in view of the detailed description of various embodiments and / or aspects made with reference to the figures, which are briefly described below.

FigurenlisteFigure list

Ausführungsformen können unter Berücksichtigung der folgenden detaillierten Beschreibung verschiedener Ausführungsformen in Verbindung mit den beiliegenden Figuren vollständiger verstanden werden, in denen:

1 die geplante Vorlaufzeit im Vergleich zur tatsächlichen Vorlaufzeit über einen Zeitraum von 2 Jahren veranschaulicht.
2A die Systemarchitektur einer Ausführungsform der Anwendung von Machine-Learning zur Analyse und Korrektur des Lieferketten-Gestaltung veranschaulicht.
2B die Systemarchitektur der in 2A gezeigten Ausführungsform, die mit einer Lieferkettenplanungsplattform integriert ist veranschaulicht,
3 ein Flussdiagramm einer Ausführungsform der Anwendung von Machine-Learning auf die Lieferketten-Daten veranschaulicht,
4 ein Flussdiagramm einer Integration der in 3 gezeigten Ausführungsform mit einer Lieferkettenplanungsplattform veranschaulicht.
5 ein Flussdiagramm eines Datenvorbereitungsmoduls aus den 3 und 4 veranschaulicht.
6 ein Flussdiagramm der Vorhersagekomponente von 3 veranschaulicht.
7 die 12-Monats-Vorhersage mit Machine-Learning, basierend auf den in 1 gezeigten Daten veranschaulicht.
8 ein Flussdiagramm der Clustering-Komponente von 3 veranschaulicht.
Die 9A-9E Beispiele für vier Merkmale für die Clustering-Analyse zeigen.
10 ein Baumdiagramm nach der Verarbeitung der Clusterergebnisse veranschaulicht.
11 die Ergebnisse der Geschäftsauswirkungen und des Umsatzrisikos unter Verwendung von Analysewerkzeugen in einer Lieferkettenplanungsplattform veranschaulicht.
12 ein Computersystem 1200, das zur Implementierung des in den 2A oder 2B gezeigten Systems verwendet werden kann veranschaulicht.

Embodiments can be more fully understood by considering the following detailed description of various embodiments in conjunction with the accompanying figures, in which:

1 Illustrates the planned lead time versus the actual lead time over a period of 2 years.
2A illustrates the system architecture of one embodiment of applying machine learning to analyze and correct supply chain design.
2 B the system architecture of the in 2A illustrated embodiment that is integrated with a supply chain planning platform,
3 Figure 3 illustrates a flow diagram of one embodiment of applying machine learning to the supply chain data;
4th a flow diagram of an integration of the in 3 illustrated embodiment with a supply chain planning platform.
5 a flow diagram of a data preparation module from FIGS 3 and 4th illustrated.
6th a flow diagram of the prediction component of FIG 3 illustrated.
7th the 12-month forecast with machine learning, based on the in 1 data shown.
8th a flow diagram of the clustering component of 3 illustrated.
The 9A-9E Show examples of four characteristics for clustering analysis.
10 illustrates a tree diagram after processing the cluster results.
11 Illustrates the business impact and revenue risk outcomes using analytical tools in a supply chain planning platform.
12th a computer system 1200 that is used to implement the 2A or 2 B system shown can be used.

DETAILLIERTE BESCHREIBUNGDETAILED DESCRIPTION

Eine Lieferkette kann als eine Abfolge von Prozessen und/oder Ereignissen bei der Herstellung und Verteilung eines Produkts definiert werden. Eine Lieferkette kann Informationen über Geräte, Rohmaterialien, Teile, Komponenten, Organisationen, Personen, Standorte, Transportmittel und Ressourcen enthalten, die zur Herstellung eines Produkts und zum Transport des Produkts von einem Hersteller oder Lieferanten zu einem Kunden verwendet werden. Viele Faktoren können die Lieferkette an verschiedenen Stellen der Kette beeinflussen, und diese Faktoren sind oft unvorhersehbar.A supply chain can be defined as a sequence of processes and / or events in the manufacture and distribution of a product. A supply chain can contain information about equipment, raw materials, parts, components, organizations, people, locations, means of transport, and resources used to manufacture a product and to transport the product from a manufacturer or supplier to a customer. Many factors can affect the supply chain at different points in the chain, and these factors are often unpredictable.

Eine Metrik, die Einblick in das Verhalten einer Lieferkette gibt, ist die Vorlaufzeit. Andere Metriken in der Lieferkette können ebenfalls Aufschluss geben. Eine Definition der Vorlaufzeit ist die Zeit zwischen dem Beginn und dem Abschluss eines Produktionsprozesses. Wenn es z. B. fünf Tage dauert, ein Fahrrad von Montreal nach Vancouver zu versenden, nachdem eine Bestellung eingegangen ist, beträgt die Vorlaufzeit der Fahrradsendung von Montreal nach Vancouver 5 Tage.One metric that gives insight into a supply chain's behavior is lead time. Other metrics in the supply chain can also provide information. A definition of lead time is the time between the beginning and the end of a production process. If it z. For example, if it takes five days to ship a bike from Montreal to Vancouver after an order is placed, the lead time to ship a bike from Montreal to Vancouver is 5 days.

Eine Lieferkette kann Hunderttausende - wenn nicht Millionen - von Datenpunkten zur Vorlaufzeit über einen bestimmten Zeitraum aufweisen. Im Lieferketten-Management werden die Vorlaufzeiten oft entworfen (oder geplant). Die tatsächlichen Vorlaufzeitdaten unterscheiden sich oft von den geplanten Vorlaufzeiten, wie in 1 gezeigt, in der die geplanten und tatsächlichen Vorlaufzeiten (in Einheiten von Tagen) für einen Zeitraum von 2 Jahren (von Juli 2015 bis Juli 2017) dargestellt sind. Die durchgezogene Linie zeigt an, dass die geplante Vorlaufzeit bei der Auslegung der Lieferkette 5 Tage betrug. Die tatsächlichen Vorlaufzeitdaten (angezeigt durch die Datenpunkte) stimmten jedoch selten mit der geplanten Vorlaufzeit überein. Die durchschnittliche Abweichung (zwischen der geplanten und der tatsächlichen Vorlaufzeit) wird ebenfalls angezeigt und variiert zwischen 15 Tagen (Minimum) und 50 Tagen (Maximum), wobei der Durchschnitt bei etwa 30 Tagen liegt.A supply chain can have hundreds of thousands, if not millions, of data points at lead time over a period of time. In supply chain management, lead times are often designed (or planned). The actual lead time dates are often different from the planned lead times, as in 1 showing the planned and actual lead times (in units of days) for a period of 2 years (from July 2015 to July 2017). The solid line indicates that the planned lead time when designing the supply chain was 5 days. However, the actual lead time data (indicated by the data points) rarely matched the planned lead time. The average deviation (between the planned and actual lead time) is also displayed and varies between 15 days (minimum) and 50 days (maximum), with the average being around 30 days.

Diese Analyse zeigt die deutliche Diskrepanz zwischen der Art und Weise, wie die Lieferkette funktionieren sollte (zwischen Juli 2015 und Juli 2017) und wie sie in dieser Zeit tatsächlich funktionierte. Zwischen solch großen Diskrepanzen können schwerwiegende Folgen entstehen. Wenn z. B. eine Vorlaufzeit von 5 Tagen für die Schätzung des Zeitpunkts für den Kauf oder die Herstellung neuer Lieferungen verwendet wird - wenn in Wirklichkeit die Vorlaufzeit 30 Tage beträgt - dann kommt es zu einem chronischen Materialmangel in der Kette. Die Lieferengpässe führen unweigerlich zu zusätzlichen Kosten für die Beschleunigung der Lieferungen und auch zu späteren Lieferungen an die Kunden, wodurch die Kosten steigen und der Umsatz sinkt.This analysis shows the clear discrepancy between the way the supply chain should work (between July 2015 and July 2017) and how it actually worked during that time. Serious consequences can arise between such large discrepancies. If z. For example, a 5 day lead time is used to estimate when to buy or make new supplies - when in fact lead time 30th Days - then there is a chronic shortage of material in the chain. The delivery bottlenecks inevitably lead to additional costs for speeding up deliveries and also for later deliveries to customers, which increases costs and decreases sales.

In einer Ausführungsform werden die historischen Vorlaufzeit-Daten mit Hilfe von Machine-Learning-Algorithmen analysiert, die Vorlaufzeiten vorhersagen können und eine Cluster-Analyse der historischen Vorlaufzeit-Daten liefern, um Faktoren zu ermitteln, die zu Abweichungen beitragen.In one embodiment, the historical lead time data is analyzed with the aid of machine learning algorithms that can predict lead times and provide a cluster analysis of the historical lead time data in order to determine factors that contribute to deviations.

In der vorliegenden Offenbarung werden Ausführungsformen bereitgestellt, um die Variabilität in historischen Vorlaufzeiten zu identifizieren, zu kategorisieren und zu visualisieren. Darüber hinaus können Machine-Learning-Algorithmen verwendet werden, um Vorlaufzeiten vorherzusagen und ggf. geplante Vorlaufzeiten anzupassen. Außerdem können Teile mit ähnlichen Mustern der Vorlaufzeit-Abweichung mit Hilfe von Machine-Learning-Algorithmen in eine Gruppe geclustert werden. Das Clustering kann einem Planer helfen, ähnliche Probleme bei den Vorlaufzeiten von Bestellungen visuell zu erkennen. So können die Abweichungen der Vorlaufzeiten für zukünftige Bestellungen automatisch oder basierend auf einer manuellen Überprüfung angepasst werden. Außerdem können Geschäftsmetriken vor und nach der Anpassung der Vorlaufzeiten projiziert werden, um die Auswirkungen der Annahme der vom Machine-Learning-Algorithmus bereitgestellten Vorlaufzeitempfehlungen zu vergleichen.In the present disclosure, embodiments are provided to identify, categorize, and visualize variability in historical lead times. In addition, machine learning algorithms can be used to predict lead times and, if necessary, adjust planned lead times. In addition, parts with similar lead-time deviation patterns can be clustered into a group using machine learning algorithms. Clustering can help a planner visually identify similar issues with order lead times. In this way, the deviations in the lead times for future orders can be adjusted automatically or based on a manual check. Business metrics can also be projected before and after the lead times are adjusted to compare the impact of accepting the lead time recommendations provided by the machine learning algorithm.

2A zeigt die Systemarchitektur (10) einer Ausführungsform der Anwendung von Machine Learning zur Analyse und Korrektur der Lieferkettenplanung. Ein Machine-Learning-Server (12) steht in Kommunikation mit einer Datenbank (14), die Daten bezüglich der Lieferkettenplanung enthält, einschließlich historischer Vorlaufzeiten. Der Machine-Learning-Server umfasst einen Machine-Learning-Dienst (16), der ein Datenvorbereitungsmodul (18), ein Vorhersagemodul (20) und ein Clustering-Modul (22) umfasst, die jeweils in Kommunikation mit der Datenbank (14) stehen. Der Machine-Learning-Dienst (16) initiiert zunächst die Vorbereitung des Datensatzes vor der Analyse durch das Vorhersagemodul und das Clustering-Modul (20,22). Als solches bezieht das Datenvorbereitungsmodul (18) Daten aus der Datenbank (14) und führt dann eine Datenvorbereitung (wie unten beschrieben) an dem Datensatz durch. Der Status des Datensatzes wird an den Machine-Learning-Dienst (16) übermittelt. 2A shows the system architecture ( 10 ) an embodiment of the application of machine learning to analyze and correct supply chain planning. A machine learning server ( 12th ) is in communication with a database ( 14th ), which contains data related to supply chain planning, including historical lead times. The machine learning server includes a machine learning service ( 16 ), which has a data preparation module ( 18th ), a prediction module ( 20th ) and a clustering module ( 22nd ), each in communication with the database ( 14th ) stand. The machine learning service ( 16 ) first initiates the preparation of the data set before the analysis by the prediction module and the clustering module ( 20th , 22nd ). As such, the data preparation module ( 18th ) Data from the database ( 14th ) and then performs data preparation (as described below) on the data set. The status of the data record is sent to the machine learning service ( 16 ) transmitted.

Sobald der Datensatz-Status vollständig ist, initiiert der Machine-Learning-Dienst (16) eine Vorhersageanalyse (basierend auf dem vorbereiteten Datensatz) über das Vorhersagemodul (20), das dann den Vorhersagestatus an den Machine-Learning-Dienst (16) übermittelt. Sobald der Vorhersagestatus abgeschlossen ist, lädt das Vorhersagemodul (20) die Vorhersageergebnisse in die Datenbank (14) hoch.As soon as the data record status is complete, the machine learning service initiates ( 16 ) a prediction analysis (based on the prepared data set) via the prediction module ( 20th ), which then sends the prediction status to the machine learning service ( 16 ) transmitted. As soon as the prediction status is completed, the prediction module loads ( 20th ) the forecast results in the database ( 14th ) high.

Sobald der Datensatz-Status vollständig ist, initiiert der Machine-Learning-Dienst (16) auch eine Cluster-Analyse (basierend auf dem vorbereiteten Datensatz) über das Clustering-Modul (22), das dann den Cluster-Status an den Machine-Learning-Dienst (16) übermittelt. Sobald der Cluster-Status abgeschlossen ist, lädt das Clustering-Modul (22) die Cluster-Ergebnisse in die Datenbank (14) hoch.As soon as the data record status is complete, the machine learning service initiates ( 16 ) also a cluster analysis (based on the prepared data set) via the clustering module ( 22nd ), which then sends the cluster status to the machine learning service ( 16 ) transmitted. As soon as the cluster status is complete, the clustering module loads ( 22nd ) the cluster results in the database ( 14th ) high.

Die Vorhersageanalyse und die Clustering-Analyse können parallel durchgeführt werden. Sie können auch sequentiell durchgeführt werden, wobei entweder die Clustering- oder die Vorhersageanalyse zuerst durchgeführt wird.The predictive analysis and the clustering analysis can be performed in parallel. They can also be performed sequentially, with either clustering or predictive analysis performed first.

Die Vorhersage-Ergebnisse und Clustering-Ergebnisse können, nachdem sie in die Datenbank (14) hochgeladen wurden, für die weitere Analyse und Planung durch eine Lieferketten-Planungsplattform verwendet werdenThe prediction results and clustering results can after being entered into the database ( 14th ) can be used for further analysis and planning by a supply chain planning platform

Die Datenbank (14) kann in einen separaten Lieferketten-Planungsplattform-Server integriert sein; oder sie kann eigenständig in einem separaten Server sein; oder sie kann in den Machine-Learning-Server (12) integriert sein.Database ( 14th ) can be integrated into a separate supply chain planning platform server; or it can stand on its own on a separate server; or it can be integrated into the machine learning server ( 12th ) be integrated.

2B zeigt eine Systemarchitektur 25 einer Ausführungsform, die als Software (z. B. maschinenausführbare Befehle) implementiert werden kann, die auf einem nichttransitorischen Computer-lesbaren Medium gespeichert ist und von einem oder mehreren Prozessoren ausgeführt wird. Die Architektur 25 kann eine Software-Architektur darstellen, die auf Computer-Hardware implementiert ist. Als Beispiel zeigt 2B die Systemarchitektur der in 2A gezeigten Ausführungsform, integriert mit einer Lieferketten-Planungsplattform. Die numerischen Referenzen für Komponenten, die zwischen den 2A und 2B gemeinsam sind, sind identisch. 2 B shows a system architecture 25th an embodiment that can be implemented as software (e.g., machine-executable instructions) stored on a non-transitory computer-readable medium and executed by one or more processors. Architecture 25th can represent a software architecture implemented on computer hardware. As an example shows 2 B the system architecture of the in 2A embodiment shown, integrated with a supply chain planning platform. The numeric references for components that are between the 2A and 2 B are common are identical.

Ein Machine-Learning-Server (12) ist in eine Lieferketten-Planungsplattform integriert, die eine Lieferketten-Planungsanwendung und Datenserver (30) umfasst. Der Machine-Learning-Dienst (16) kann über eine Benutzerschnittstelle (32) ausgelöst werden, die Teil der Lieferketten-Planungsplattform ist. Einmal ausgelöst, arbeitet der Machine-Learning-Dienst mit dem Datenvorbereitungsmodul (18), dem Vorhersagemodul (20) und dem Clustering-Modul (22), wie oben beschrieben (mit Bezug auf 2A). Die Vorhersage- und Clustering-Ergebnisse werden in die Datenbank (14) hochgeladen und dann an ein Analysemodul (34) übermittelt, das die analysierten Ergebnisse über die Benutzeroberfläche (32) an einen Benutzer weitergibt.A machine learning server ( 12th ) is integrated with a supply chain planning platform that includes a supply chain planning application and data server ( 30th ) includes. The machine learning service ( 16 ) can via a user interface ( 32 ) which is part of the supply chain planning platform. Once triggered, the machine learning service works with the data preparation module ( 18th ), the prediction module ( 20th ) and the clustering module ( 22nd ) as described above (with reference to 2A) . The prediction and clustering results are recorded in the database ( 14th ) and then to an analysis module ( 34 ), which the analyzed results via the user interface ( 32 ) passes on to a user.

Die Architektur 25 verfügt über eine Anwendungsdienst-Integrations- und Kommunikationsschicht 15, die die Datenerfassung von den Datenquellen 17 und optional anderen Systemen und Anwendungen (nicht dargestellt) unterstützt. Die Schicht 15 kann auch einen sicheren Zugang mit einer Benutzerschnittstelle 32 bereitstellen, die es Benutzern ermöglicht, sich bei der Lieferketten-Planungsplattform 30 anzumelden, um Daten einzusehen oder andere Operationen durchzuführen. Die Schicht 15 kann eine voll ausgestattete Webservice-Bibliothek verwenden, um eine Verbindung für die Benutzeroberfläche 15 zur Plattform 30 bereitzustellen. Im Allgemeinen bietet die Schicht 15 einen Mechanismus zur Verbindung mit den verschiedenen Systemen und Webschnittstellen. Die Schicht 15 kann APIs enthalten, um mit den Datenquellen 17 und anderen Systemen und Anwendungen (nicht dargestellt) zu kommunizieren. Die Schicht 15 empfängt zum Beispiel Daten von den Datenquellen 17.Architecture 25th has an application service integration and communication layer 15th who do the data collection from the data sources 17th and optionally other systems and applications (not shown) are supported. The layer 15th can also provide secure access with a user interface 32 that enables users to log into the supply chain planning platform 30th log in to view data or perform other operations. The layer 15th can use a full featured web service library to connect for the user interface 15th to the platform 30th provide. In general, the layer provides 15th a mechanism for connecting to the various systems and web interfaces. The layer 15th may contain APIs to work with the data sources 17th and to communicate with other systems and applications (not shown). The layer 15th receives data from the data sources, for example 17th .

Ein Beispiel für eine Lieferketten-Planungsplattform, die mit dem Machine-Learning-Server (12) integriert werden kann, ist eine, die eine schnelle Verarbeitung von Geschäftsmetriken und Szenariosimulationen ermöglicht. Das heißt, die Verarbeitung der historischen Vorlaufzeit-Daten und die Verarbeitung der Machine Learning-Ergebnisse (d. h. Vorhersage zukünftiger Vorlaufzeiten, Clustering historischer Vorlaufzeiten) erfolgt so, dass die Machine Learning-Ergebnisse aktuell sind (d. h. es gibt keine weiteren Änderungen der historischen Vorlaufzeit-Daten, während Ergebnisse mit Hunderttausenden oder sogar Millionen von Datenpunkten verarbeitet werden). Ein Beispiel für eine Lieferketten-Planungsplattform, die eine schnelle Verarbeitung von Geschäftsmetriken und Szenariosimulationen ermöglicht, ist in den US-Patenten Nr. 7,610,212 B2 ; 8,015,044 B2 ; 9,292,573 B2 ; und U.S. Pub. Nr. 20130080200A1 - die hier alle durch Bezugnahme einbezogen sind. Eine solche „schnelle“ Plattform wird hier als „Rapid Response“-Lieferketten-Planungsplattform bezeichnet.An example of a supply chain planning platform that works with the machine learning server ( 12th ) is one that enables rapid processing of business metrics and scenario simulations. This means that the processing of the historical lead time data and the processing of the machine learning results (i.e. prediction of future lead times, clustering of historical lead times) takes place in such a way that the machine learning results are up-to-date (i.e. there are no further changes to the historical lead times. Data while processing results with hundreds of thousands or even millions of data points). An example of a supply chain planning platform that enables rapid processing of business metrics and scenario simulations is shown in U.S. Patent No. 7,610,212 B2 ; 8,015,044 B2 ; 9,292,573 B2 ; and US Pub. No. 20130080200A1 - all of which are incorporated herein by reference. Such a “fast” platform is referred to here as a “rapid response” supply chain planning platform.

Das System 25 und/oder seine Komponenten oder Subsysteme können Rechengeräte, Mikroprozessoren, Module und andere Computer oder Rechengeräte beinhalten, die jedes programmierbare Gerät sein können, das digitale Daten als Eingabe akzeptiert, so konfiguriert ist, dass es die Eingabe gemäß Befehlen oder Algorithmen verarbeitet und Ergebnisse als Ausgaben liefert. In einer Ausführungsform können Computer und andere solche hierin besprochenen Geräte eine Zentralrecheneinheit (CPU) sein, umfassen, enthalten oder mit ihr verbunden sein, die so konfiguriert ist, dass sie die Befehle eines Computerprogramms ausführt. Computer und andere hier besprochene Geräte sind daher so konfiguriert, dass sie grundlegende arithmetische, logische und Eingabe/Ausgabe-Operationen durchführen können.The system 25th and / or its components or subsystems may include computing devices, microprocessors, modules, and other computers or computing devices, which may be any programmable device that accepts digital data as input, is configured to process the input according to instructions or algorithms, and deliver results as Issues supplies. In one embodiment, computers and other such devices discussed herein may be, include, contain, or be connected to a central processing unit (CPU) that is configured to execute the instructions of a computer program. Computers and other devices discussed herein are therefore configured to perform basic arithmetic, logic, and input / output operations.

Rechen- und andere hier besprochene Geräte können Speicher enthalten. Der Speicher kann flüchtigen oder nicht flüchtigen Speicher umfassen, je nachdem, was das gekoppelte Rechengerät oder der Prozessor benötigt, um nicht nur Platz für die Ausführung der Befehle oder Algorithmen, sondern auch für die Speicherung der Befehle selbst bereitzustellen. In Ausführungsformen kann flüchtiger Speicher z. B. Direktzugriffsspeicher (RAM), dynamischer Direktzugriffsspeicher (DRAM) oder statischer Direktzugriffsspeicher (SRAM) umfassen. In Ausführungsformen kann nichtflüchtiger Speicher z. B. Festwertspeicher, Flash-Speicher, ferroelektrischer RAM, Festplatte, Diskette, Magnetband oder optischer Plattenspeicher sein. Die vorstehenden Aufzählungen schränken die Art des Speichers, der verwendet werden kann, in keiner Weise ein, da diese Ausführungsformen nur beispielhaft aufgeführt sind und den Umfang der Offenbarung nicht einschränken sollen. In Ausführungsformen kann das System oder seine Komponenten verschiedene Module umfassen oder einschließen, von denen jedes so konstruiert, programmiert, konfiguriert oder anderweitig angepasst ist, dass es eine Funktion oder einen Satz von Funktionen autonom ausführt.Computing and other devices discussed here may contain memory. The memory can comprise volatile or non-volatile memory, depending on what the coupled computing device or the processor requires, in order to not only provide space for the execution of the commands or algorithms, but also for the storage of the commands themselves. In embodiments, volatile memory may e.g. B. Random Access Memory (RAM), Dynamic Random Access Memory (DRAM), or Static Random Access Memory (SRAM). In embodiments, non-volatile memory may e.g. B. read-only memory, flash memory, ferroelectric RAM, hard disk, floppy disk, magnetic tape or optical disk storage. The above lists in no way restrict the type of memory that can be used, since these embodiments are only listed as examples and are not intended to restrict the scope of the disclosure. In embodiments, the system or its components may include or include various modules, each of which is designed, programmed, configured, or otherwise adapted to autonomously perform a function or set of functions.

3 zeigt ein Flussdiagramm einer Ausführungsform der Anwendung von Machine Learning auf Lieferketten-Planungsdaten. Eine Lieferketten-Planungsdatenbank (40) kann historische Daten für ein Lieferketten-Managementsystem eines Kunden über einen bestimmten Zeitraum enthalten. Dies kann Lieferketten-Planungsdaten beinhalten, die sich auf historische tatsächliche Bestellungen beziehen, die zu einem bestimmten Datum bei Lieferanten aufgegeben wurden (wie z. B. Informationen über Vorlaufzeiten, Bestelldaten, Mengen, Stückpreise, die Quelle, die das Teil geliefert hat, usw.), Informationen über ein eindeutiges Teil und einen Standort (wie z. B. den Teilenamen, die Beschreibung, Preis- und Kostendaten, usw.) und Informationen, die sich auf Kontaktpersonen bei Lieferanten beziehen (wie z. B. Informationen über die Kontaktperson für die Quelle, die Lieferanten-ID, die Quellen-ID, die Transportart, usw.). 3 Figure 12 is a flow diagram of one embodiment of applying machine learning to supply chain planning data. A supply chain planning database ( 40 ) may contain historical data for a customer's supply chain management system over a period of time. This may include supply chain planning data that relates to historical actual orders placed with suppliers on a particular date (such as information on lead times, order dates, quantities, unit prices, the source that supplied the part, etc.) .), Information about a unique part and location (such as the part name, description, price and cost data, etc.), and information related to contact persons at suppliers (such as information about the Contact person for the source, the supplier ID, the source ID, the mode of transport, etc.).

Die Rohdaten werden dann über ein Datenvorbereitungsmodul (45) für Machine Learning (47) vorbereitet. Bevor der vorbereitete Datensatz zur Verwendung durch Machine-Learning-Algorithmen gesendet wird, kann der vorbereitete Datensatz eine abschließende Prüfung (50) durchlaufen, um sicherzustellen, dass es sich um einen gültigen Datensatz für die Machine-Learning-Anwendung handelt. Bei der Vorbereitung des Datensatzes für Machine Learning kann es z. B. sein, dass der vorbereitete Datensatz nicht genügend Punkte für die Analyse enthält - an diesem Punkt endet der Prozess (52). Wenn der vorbereitete Datensatz gültig ist, können zwei Machine-Learning-Algorithmen parallel angewandt werden, um wichtige Attribute der Lieferkette, wie z. B. Vorlaufzeiten, vorherzusagen (54) und eine Cluster-Analyse (56) auf den historischen Daten durchzuführen, um ähnliche Muster/Charakteristika zu bestimmen. Die beiden Anwendungen des Machine Learnings können parallel oder sequentiell durchgeführt werden. Außerdem werden zwar zwei Arten von Machine Learning-Anwendungen (d.h. Vorhersage und Clustering) dargestellt, es können aber auch weniger (d.h. eine) oder mehr Machine Learning-Anwendungen durchgeführt werden.The raw data are then processed via a data preparation module ( 45 ) for machine learning ( 47 ) prepared. Before the prepared data set is sent for use by machine learning algorithms, the prepared data set can undergo a final check ( 50 ) to make sure it is a valid record for the machine learning application. When preparing the data set for machine learning, it can e.g. E.g. the prepared data set does not contain enough points for the analysis - at this point the process ends ( 52 ). If the prepared data set is valid, two machine learning algorithms can be used in parallel to determine important attributes of the supply chain, such as: B. Lead times, predict ( 54 ) and a cluster analysis ( 56 ) on the historical data to determine similar patterns / characteristics. The two machine learning applications can be carried out in parallel or sequentially. Additionally, while two types of machine learning applications (ie prediction and clustering) are shown, fewer (ie one) or more machine learning applications can be performed.

Der in 3 gezeigte Prozess kann eine Komponente einer größeren Lieferketten-Planungsplattform bilden, wie in 4 gezeigt, die ein Flussdiagramm einer Integration der in 3 gezeigten Ausführungsform mit einer Lieferketten-Planungsplattform (60) darstellt. Hier kann eine Lieferketten-Planungsplattform (60) Daten (62) enthalten, die sich auf die Gestaltung der Lieferkette eines Kunden beziehen, sowie Mittel/Zeitpläne zur Aktualisierung der Daten. Zum Beispiel kann ein Kunde die Analyse und Aktualisierung eines bestehenden Designs über Machine Learning auf monatlicher oder vierteljährlicher Basis (oder einer anderen regelmäßigen Periode) anfordern. Die Zeitplanung kann den Machine Learning-Prozess auslösen (64), der den Machine-Learning-Dienst vor der Authentifizierung der Kundeninformationen initiiert. Sobald die Kundeninformationen authentifiziert sind (66), tritt der in 3 dargestellte Prozess in Kraft, wobei die Machine-Learning-Ergebnisse (68) an die Lieferketten-Planungsplattform (60) zur weiteren Anwendung und Analyse zurückgegeben werden.The in 3 The process shown can form a component of a larger supply chain planning platform, as in 4th which is a flow diagram of an integration of the in 3 embodiment shown with a supply chain planning platform ( 60 ) represents. A supply chain planning platform ( 60 ) Data ( 62 ) that relate to the design of a customer's supply chain, as well as means / schedules for updating the data. For example, a customer may request an existing design to be analyzed and updated via machine learning on a monthly or quarterly (or other regular period) basis. The scheduling can trigger the machine learning process ( 64 ), which initiates the machine learning service before authenticating the customer information. Once the customer information is authenticated ( 66 ), the in 3 process shown in force, with the machine learning results ( 68 ) to the supply chain planning platform ( 60 ) can be returned for further application and analysis.

Vorbereitung von Daten für Machine-LearningPrepare data for machine learning

5 veranschaulicht ein Flussdiagramm eines Datenvorbereitungsmoduls aus den 3 und 4. Wenn die historischen Daten aus der Datenbank heruntergeladen werden (70), werden sie zunächst geprüft (72), um sicherzustellen, dass es sich um gültige Daten handelt. Sie können dann vorverarbeitet werden (74) (z. B. bereinigt, wie unten beschrieben) und dann noch einmal überprüft werden (76), um sicherzustellen, dass ein gültiger Datensatz für Machine Learning vorliegt. Wenn der verarbeitete Datensatz gültig ist, kann er dann in ein für die Vorhersage bzw. das Clustering geeignetes Format formatiert werden (78, 80). 5 FIG. 11 illustrates a flow diagram of a data preparation module from FIG 3 and 4th . When the historical data is downloaded from the database ( 70 ), they are checked first ( 72 ) to make sure the data is valid. They can then be preprocessed ( 74 ) (e.g. adjusted as described below) and then checked again ( 76 ) to ensure that there is a valid data set for machine learning. If the processed record is valid, it can then be formatted into a format suitable for prediction or clustering ( 78 , 80 ).

In einigen Ausführungsformen werden die Vorlaufzeit-Daten aus den historischen Liefer-Ist-Daten in der/den Unternehmensdatenquelle(n) des Kunden gewonnen. Bei den historischen Vorlaufzeit-Daten kann es sich um Daten über einen bestimmten Zeitraum handeln. Um die Genauigkeit der Vorhersage und der Cluster-Ergebnisse zu verbessern, können historische Daten aus mindestens 2 Jahren (24 Monaten) verwendet werden. Als Beispiel (wie in 1 gezeigt) kann ein Zeitraum von 2 Jahren verwendet werden - obwohl auch andere Zeiträume verwendet werden können (z. B. 1 Jahr, 15 Monate, 18 Monate, 21 Monate, 27 Monate, 30 Monate, 33 Monate, 36 Monate oder länger).In some embodiments, the lead time data is obtained from the historical actual delivery data in the customer's corporate data source (s). The historical lead time data can be data over a specific period of time. Historical data from at least 2 years (24 months) can be used to improve the accuracy of the forecast and cluster results. As an example (as in 1 shown), a period of 2 years can be used - although other periods can be used (e.g., 1 year, 15 months, 18 months, 21 months, 27 months, 30 months, 33 months, 36 months, or longer).

Vor der Analyse durch Machine Learning können die Daten „bereinigt“ werden, um Datenfehler und Ausreißer zu entfernen. Beispiele für Datenfehler können Datensätze mit Nullwerten, doppelte Datensätze, negative Vorlaufzeiten usw. sein.Before analysis by machine learning, the data can be “cleaned up” in order to remove data errors and outliers. Examples of data errors can include records with zero values, duplicate records, negative lead times, and so on.

Was Ausreißer betrifft, so ist ein Ausreißer ein Datenpunkt mit einer Vorlaufzeit, die außerhalb eines Gesamtmusters einer Zeitreihe liegen kann. Als Beispiel für die Identifizierung von Ausreißern kann der Interquartilsbereich (IQR) verwendet werden (es können auch andere statistische Verfahren zur Berechnung von Ausreißern verwendet werden). Im IQR-Verfahren ist ein Datenpunkt ein Ausreißer, wenn er z. B. mehr als das 1,5-fache des IQR über dem dritten Quartil (Q3) liegt; oder wenn er z. B. weniger als das 1,5-fache des IQR im ersten Quartil (Q1) liegt. Dies kann mathematisch ausgedrückt werden: Ein Datenpunkt (DP) ist ein Ausreißer, wenn: $DP < Q 1 - 1.5 * IQR or DP > Q 3 + 1.5 * Q 3$

As for outliers, an outlier is a data point with a lead time that may be outside of an overall pattern of a time series. The interquartile range (IQR) can be used as an example of identifying outliers (other statistical methods can also be used to calculate outliers). In the IQR method, a data point is an outlier if it is e.g. B. is more than 1.5 times the IQR above the third quartile (Q3); or if he z. B. is less than 1.5 times the IQR in the first quartile (Q1). This can be expressed mathematically: A data point (DP) is an outlier if:

DP < Q 1 - 1.5 * IQR or DP > Q 3 + 1.5 * Q 3

Das IQR-Verfahren, wie oben definiert, beinhaltet die folgenden Schritte:

1. Berechnet den Median, die Quartile und den IQR.
2. Berechnet 1,5 * IQR unterhalb des ersten Quartils, um auf niedrige Ausreißer zu prüfen.
3. Berechnet 1,5 * IQR oberhalb des dritten Quartils, um auf hohe Ausreißer zu prüfen.

The IQR procedure, as defined above, includes the following steps:

1. Calculates the median, quartiles, and IQR.
2. Calculates 1.5 * IQR below the first quartile to check for low outliers.
3. Calculates 1.5 * IQR above the third quartile to check for high outliers.

Die Berechnungen ergeben eine obere und untere Grenze. Alle Datensätze mit Vorlaufzeiten, die unterhalb der unteren Grenze und oberhalb der oberen Grenze liegen, werden vor der Eingabe in die Machine-Learning-Algorithmen aus dem Datensatz entfernt..The calculations result in an upper and lower limit. All data records with lead times that are below the lower limit and above the upper limit are removed from the data record before being entered into the machine learning algorithms.

Beispiel für die Berechnung von AusreißernExample for the calculation of outliers

Nehmen Sie zum Beispiel die folgenden historischen tatsächlichen Vorlaufzeiten in den Daten an: Jan Feb Mar Apr May Jun Jul 5 11 12 12 12 13 25

1. Berechnen des Medians, der Quartile und des IQR:
- a. Der Median ist 12
- b. Die Quartile werden berechnet, indem der geordnete Datensatz in zwei Hälften geteilt wird. Für eine ungerade Anzahl von Datenpunkten im vollständigen Datensatz ist der Median in beiden Hälften enthalten. Der untere Quartilswert ist der Median der unteren Hälfte der Daten. Der untere Quartilswert ist der Median der unteren Hälfte der Daten. Der obere Quartilswert ist der Median der oberen Hälfte der Daten.
- c. Erstes Quartil (auch bekannt als das 25. Perzentil oder Q1) = 11.5 (dies erhält man durch Berechnung des Medians der Zahlen 5, 11, 12, 12).
- d. Zweites Quartil (auch bekannt als das 50. Perzentil oder Q2) = 12= Median
- e. Drittes Quartil (auch bekannt als das 75. Perzentil oder Q3) = 12.5 (dies erhält man durch Berechnung des Medians der Zahlen 12, 12, 13, 25).
- f. $IQR = Q 3 - Q 1 = 12.5 - 11.5 = 1$
2. Berechnen 1.5 * IQR unterhalb des ersten Quartils, um auf niedrige Ausreißer zu prüfen: $Q 1 - 1.5 \times IQR = 11.5 - (1.5) (1) = 1$
Ein Datenpunkt wird also als niedriger Ausreißer betrachtet, wenn er kleiner als 10 ist. In diesem Fall wird 5 als ein niedriger Ausreißer betrachtet.
3. Berechnen 1.5 * IQR oberhalb des dritten Quartils, um auf hohe Ausreißer zu prüfen: $Q 3 + 1.5 \times I Q R = 12.5 + (1.5) (1) = 14$
Ein Datenpunkt wird also als hoher Ausreißer betrachtet, wenn er größer als 14 ist. In diesem Fall wird 25 als ein hoher Ausreißer betrachtet.

For example, assume the following historical actual lead times in the data:

Jan Feb Mar Apr May Jun Jul

5 11 12th 12th 12th 13th 25th

1. Calculate the median, quartiles and IQR:
- a. The median is 12
- b. The quartiles are calculated by dividing the ordered data set in half. For an odd number of data points in the complete data set, the median is included in both halves. The lower quartile is the median of the lower half of the data. The lower quartile is the median of the lower half of the data. The top quartile is the median of the top half of the data.
- c. First quartile (also known as the 25th percentile or Q1) = 11.5 (this is obtained by calculating the median of the numbers 5, 11, 12, 12).
- d. Second quartile (also known as the 50th percentile or Q2) = 12 = median
- e. Third quartile (also known as the 75th percentile or Q3) = 12.5 (this is obtained by calculating the median of the numbers 12, 12, 13, 25).
- f. $IQR = Q 3 - Q 1 = 12.5 - 11.5 = 1$
2. Calculate 1.5 * IQR below the first quartile to check for low outliers: $Q 1 - 1.5 \times IQR = 11.5 - (1.5) (1) = 1$
So a data point is considered a low outlier if it is less than 10. In this case, 5 is considered a low outlier.
3. Calculate 1.5 * IQR above the third quartile to check for high outliers: $Q 3 + 1.5 \times I. Q R. = 12.5 + (1.5) (1) = 14th$
So a data point is considered a high outlier if it is greater than 14. In this case, 25 is considered a high outlier.

Basierend auf den obigen IQR-Berechnungen gibt es zwei Ausreißer (5 und 25) in dem Beispieldatensatz.Based on the IQR calculations above, there are two outliers (5 and 25) in the example dataset.

Daher werden diese beiden Datenpunkte vor der Eingabe in den Machine-Learning-Algorithmus entfernt.Therefore, these two data points are removed before being entered into the machine learning algorithm.

Schließlich wird der verarbeitete Datensatz in einem Format aufbereitet, das von den Algorithmen Forecasting und Cluster verwendet werden kann.Finally, the processed data set is prepared in a format that can be used by the forecasting and clustering algorithms.

Vorhersageforecast

Sobald die Daten verarbeitet sind, können sie von einem Machine-Learning-Algorithmus verwendet werden, um zukünftige Vorlaufzeiten basierend auf den aktuellen historischen Vorlaufzeit-Daten vorherzusagen.Once the data is processed, it can be used by a machine learning algorithm to predict future lead times based on the current historical lead time data.

6 zeigt ein Flussdiagramm der Vorhersagekomponente von 3. Sobald die Daten durch das Datenvorbereitungsmodul verarbeitet wurden, sind sie bereit für den Prozess des Vorhersage-Machine Learning-Prozess. Zunächst können die Daten nach Schlüsselfeldern (82) gruppiert werden (z.B. eine Kunden-ID, eine Teile-ID, usw.). Die Daten werden auch in einen ersten Teil (genannt Trainingsteil) und einen zweiten Teil (genannt Testteil) gruppiert. Dann wird eine Vielzahl von Machine-Learning-Algorithmen für die Vorhersage jeweils auf dem Trainingsteil trainiert; die Vorhersage eines jeden wird auf dem Testteil getestet. In 6 werden vier Algorithmen (84a, 84b, 84c, 84d) trainiert und getestet. Es können jedoch auch weniger oder mehr Algorithmen für Training und Test verwendet werden. Das genaueste Modell (86) wird dann ausgewählt und erneut mit dem gesamten historischen Datensatz trainiert. Es wird dann zur Vorhersage (oder Prognose) (88) von Vorlaufzeiten für einen zukünftigen Zeitraum (z. B. 3-6 Monate; 6-12 Monate; 1-2 Jahre, usw.) verwendet. Der Prozess kann dann beendet werden (90). Alternativ, wenn der Machine Learning-Prozess Teil einer Lieferketten-Planungsplattform ist (wie in 4), werden die Ergebnisse zur weiteren Analyse/Nutzung auf die Plattform hochgeladen (92). 6th FIG. 13 shows a flow diagram of the prediction component of FIG 3 . Once the data has been processed by the data preparation module, it is ready for the process of predictive machine learning process. First of all, the data can be sorted according to key fields ( 82 ) can be grouped (e.g. a customer ID, a part ID, etc.). The data is also grouped into a first part (called the training part) and a second part (called the test part). Then a large number of machine learning algorithms for the prediction are each trained on the training part; the prediction of each is tested on the test part. In 6th four algorithms ( 84a , 84b , 84c , 84d ) trained and tested. However, fewer or more algorithms can be used for training and testing. The most accurate model ( 86 ) is then selected and trained again with the entire historical data set. It is then used to predict (or forecast) ( 88 ) of lead times are used for a future period (e.g. 3-6 months; 6-12 months; 1-2 years, etc.). The process can then be terminated ( 90 ). Alternatively, if the machine learning process is part of a supply chain planning platform (as in 4th ), the results are uploaded to the platform for further analysis / use ( 92 ).

Aspekte von 6 werden im Folgenden detaillierter beschrieben.Aspects of 6th are described in more detail below.

Der Vorhersage-Machine-Learning-Algorithmus kann die Vorlaufzeit von gekauften Gegenständen (oder Teilen) von verschiedenen Lieferanten zu verschiedenen Zeiten des Jahres vorhersagen. Jeder Gegenstand kann ein unterschiedliches Verhalten in Bezug auf die Vorlaufzeit aufweisen, was auf viele Faktoren zurückzuführen ist, wie z. B.: seine schwankende Nachfrage im Laufe des Jahres, die geografische Lage der Lieferanten, die den Gegenstand produzieren, der Preis und die Verfügbarkeit des Gegenstands, die Menge der Bestellungen, usw. Dies führt zu vielen wissenschaftlichen Unsicherheiten, da jeder Vorhersagealgorithmus in einigen Situationen gut funktionieren kann. Daher funktioniert kein einzelner Vorhersagealgorithmus am besten für alle Daten - die Wahl des Algorithmus ist datenabhängig. Es können mehrere Vorhersage-Maschinen-Algorithmen an den Daten getestet werden, um zu sehen, welche angemessen gut funktionieren.The predictive machine learning algorithm can predict the lead time of purchased items (or parts) from different suppliers at different times of the year. Each item can behave differently in terms of lead time due to many factors such as: For example: its fluctuating demand over the year, the geographical location of the suppliers who produce the item, the price and availability of the item, the amount of orders, etc. This leads to many scientific uncertainties, as each prediction algorithm in some situations can work well. Therefore, no single prediction algorithm works best for all data - the choice of algorithm is data dependent. Several prediction engine algorithms can be tested on the data to see which work reasonably well.

Konventionelle Ansätze trainieren Vorhersage-Maschinen-Algorithmen offline und setzen ein festes Vorhersagemodell ein. Ein solcher Ansatz passt jedoch möglicherweise nicht gut zu der sich entwickelnden Natur der historischen Vorlaufzeit-Daten oder den Speicheranforderungen, die erforderlich sind, wenn der Machine-Learning-Algorithmus in eine Lieferketten-Planungsplattform integriert wird, in der die Daten ständig aktualisiert werden. Es kann eine transiente Modell-Methodik verwendet werden, bei der ein Modell mit „Live“-Daten trainiert und zur Vorhersage von Vorlaufzeiten für einen Zeitraum (z. B. drei Monate, sechs Monate, zwölf Monate usw.) in die Zukunft verwendet werden kann, während das Modell nach der Laufzeit vergessen wird (d. h. das Modell wird erneut trainiert). Da außerdem die Verarbeitungszeit angemessen sein muss (z. B. nicht mehr als 1-2 Wochen), können verschiedene Vorhersage-Maschinen-Algorithmen auf ihre Leistung in Bezug auf die Rechenkomplexität/Vorhersagequalität für verschiedene Datensätze bewertet werden.Conventional approaches train prediction machine algorithms offline and use a fixed prediction model. However, such an approach may not fit well with the evolving nature of the historical lead-time data or the storage requirements that are required when integrating the machine learning algorithm into a supply chain planning platform where the data is continually updated. A transient model methodology can be used in which a model is trained on "live" data and used to predict lead times for a period of time (e.g., three months, six months, twelve months, etc.) into the future can while the model is forgotten after the runtime (i.e. the model is retrained). In addition, since the processing time must be reasonable (e.g. no more than 1-2 weeks), different prediction engine algorithms can be evaluated for their performance in terms of computational complexity / prediction quality for different data sets.

Da Überanpassung eine der kritischen Herausforderungen beim Machine-Learning ist, kann ein trainiertes Modell die historischen Daten nicht auf vorhergesagte Daten verallgemeinern. Daher können die historischen Daten in einen Satz zum Trainieren eines Machine-Learning-Algorithmus für Vorhersagen und einen Testsatz zur Validierung des Algorithmus aufgeteilt werden. Unter der Annahme, dass die zukünftigen Daten einer ähnlichen Verteilung wie die historischen Daten folgen, wird ein Modell auf dem Testsatz validiert, um zu entscheiden, welcher Algorithmus und welche Parameter für die Vorhersage der zukünftigen Daten verwendet werden sollen. Dies hilft, das Risiko einer Überanpassung an die historischen Daten zu reduzieren.Because overfitting is one of the critical challenges in machine learning, a trained model cannot generalize historical data to predicted data. Therefore, the historical data can be divided into a set for training a machine learning algorithm for predictions and a test set for validating the algorithm. Assuming that the future data follows a similar distribution as the historical data, a model is validated on the test set to decide which algorithm and which parameters to use to predict the future data. This helps reduce the risk of overfitting the historical data.

Der Vorhersage-Machine-Learning-Algorithmus kann bevor er für die Vorhersage verwendet wird trainiert werden. Wie oben beschrieben, kann aufgrund der Variabilität der historischen Vorlaufzeit-Daten eine Vielzahl von Machine-Learning-Algorithmen unabhängig voneinander auf einem Teil der Daten trainiert werden. Wenn z.B. 2 Jahre an Daten vorliegen, kann jeder Machine Learning-Algorithmus für die Vorhersage auf 70% der Daten (d.h. ungefähr die ersten 17 Monate) trainiert werden. Beispiele für Vorhersage-Machine-Learning-Algorithmen sind Adaboost Regressor, FBProphet, lineare Regression, Mittelwert und Median.The prediction machine learning algorithm can be trained before it is used for prediction. As described above, due to the variability of the historical lead time data, a large number of machine learning algorithms can be trained independently of one another on part of the data. For example, if you have 2 years of data, any machine learning algorithm can be trained to predict on 70% of the data (i.e. approximately the first 17 months). Examples of predictive machine learning algorithms are Adaboost Regressor, FBProphet, Linear Regression, Mean, and Median.

In einigen Szenarien kann die Leistung eines Algorithmus unzureichend sein. Als solche können die Konfigurationsparameter des Algorithmus an die Daten angepasst werden. Da zum Beispiel spärliche Daten die Funktion „Saisonalität“ des FBProphet-Algorithmus negativ beeinflussen, wurde ein Mechanismus entwickelt, um zu entscheiden, wann diese Funktion aktiviert werden sollte. Außerdem wurde eine Reihe von Experimenten mit verschiedenen Zeitgruppierungs-Strategien versucht - was zu der Schlussfolgerung führte, dass die Gruppierung der Ergebnisse nach der Vorhersage, anstatt vor der Vorhersage, die besten Ergebnisse liefern. Trotz der parallelen Ausführung von fünf Modellen entsprach die rechnerische Komplexität der Gestaltung zur Laufzeit den Anforderungen an den Zeitabschluss.In some scenarios, an algorithm can perform poorly. As such, the configuration parameters of the algorithm can be adapted to the data. For example, since sparse data negatively affects the “seasonality” function of the FBProphet algorithm, a mechanism was developed to decide when this function should be activated. In addition, a number of experiments were attempted with different time grouping strategies - which led to the conclusion that grouping the results after the prediction rather than before the prediction gives the best results. Despite the parallel execution of five models, the computational complexity of the design at runtime corresponded to the requirements for the time termination.

Nach dem Training kann jeder Vorhersage-Machine-Learning-Algorithmus an den verbleibenden 30% der historischen Daten getestet werden. Die Vorlaufzeiten, die von jedem Vorhersage-Machine-Learning-Algorithmus vorhergesagt wurden, werden dann mit den historischen Vorlaufzeiten für die verbleibenden 30 % des Zeitraums verglichen. Der Vorhersage-Machine-Learning-Algorithmus, der sich bei der Vorhersage der verbleibenden 30% der Daten als am genauesten erweist, wird als der Vorhersage-Machine-Learning-Algorithmus ausgewählt, der für die Vorhersage zukünftiger Vorlaufzeiten verwendet werden soll.After training, any predictive machine learning algorithm can be tested on the remaining 30% of the historical data. The lead times predicted by each predictive machine learning algorithm are then compared to the historical lead times for the remaining 30% of the time period. The predictive machine learning algorithm that proves to be the most accurate in predicting the remaining 30% of the data is chosen as the predictive machine learning algorithm to use for predicting future lead times.

Während der Trainings- und Testteil in 70%-30%-Teile aufgeteilt werden kann, sind auch andere Teile möglich. Zum Beispiel kann der Trainingsteil 50% betragen, während der Testteil die verbleibenden 50% sein kann; oder der Trainingsteil kann 60% betragen, während der Testteil 40% sein kann; der Trainingsteil kann 75% betragen, während der Testteil 25% sein kann. Jede Kombination ist möglich, solange der Trainingsanteil 50% oder mehr der historischen Daten beträgt und der Testanteil 50% oder weniger der historischen Daten.While the training and test part can be divided into 70% -30% parts, other parts are also possible. For example, the training part can be 50% while the testing part can be the remaining 50%; or the training part can be 60% while the test part can be 40%; the training part can be 75% while the test part can be 25%. Any combination is possible as long as the training portion is 50% or more of the historical data and the test portion is 50% or less of the historical data.

Als Beispiel wurde für jeden der fünf getesteten Vorhersage-Maschinen-Algorithmen die Hypothese aufgestellt, dass die meisten der aufgeführten Parameter (jedes Algorithmus) einen vernachlässigbaren Einfluss auf die Qualität der endgültigen Vorhersage haben sollten. Es wurden Experimente durchgeführt, um die Bedeutung der einzelnen Parameter für die Modellqualität zu bestimmen. Schließlich wurden einige wenige Parameter für jeden der Algorithmen ausgewählt und eine Rastersuche für diese Parameter auf den historischen Daten durchgeführt.As an example, for each of the five prediction engine algorithms tested, it was hypothesized that most of the parameters listed (each algorithm) should have a negligible influence on the quality of the final prediction. Experiments were carried out to determine the importance of the individual parameters for the model quality. Finally, a few parameters were selected for each of the algorithms and a raster search for these parameters was performed on the historical data.

Zusätzlich wurden Experimente durchgeführt, um die Auswirkung der Saisonalität auf die Vorhersagequalität zu verstehen. Es wurde herausgefunden, dass die Modellierung der Saisonalität basierend auf wenigen Beobachtungen und unvollständigen Daten die Qualität der Vorhersage verschlechtern kann. Daher wurden Vorsichtsmaßnahmen hinzugefügt, um zu prüfen, ob die historischen Vorlaufzeit-Daten für ein bestimmtes Lieferteil für die Saisonalitätsanalyse geeignet sind.In addition, experiments were carried out to understand the impact of seasonality on forecast quality. It was found that modeling seasonality based on few observations and incomplete data can degrade the quality of the forecast. Therefore, precautionary measures have been added to check whether the historical lead time data for a particular delivery part is suitable for seasonality analysis.

Der ausgewählte Vorhersage-Machine-Learning-Algorithmus wird zunächst erneut auf den gesamten Datensatz (d. h. die gesamten 2 Jahre) trainiert und dann zur Vorhersage der Vorlaufzeiten für einen zukünftigen Zeitraum verwendet. Der zukünftige Zeitraum kann z.B. 0-24 Monate, oder 3-15 Monate, oder 12 Monate sein. Die zukünftigen Vorlaufzeiten können z. B. für 3 Monate, 6 Monate, 9 Monate, 12 Monate usw. ab dem Datum der Ausführung des Vorhersage-Machine-Algorithmus bereitgestellt werden.The selected prediction machine learning algorithm is first retrained on the entire data set (i.e. the entire 2 years) and then used to predict the lead times for a future period. The future period can be, for example, 0-24 months, or 3-15 months, or 12 months. The future lead times can e.g. For 3 months, 6 months, 9 months, 12 months, etc. from the date the prediction machine algorithm was executed.

Hinsichtlich der Granularität der Vorhersagen wurden Experimente entworfen, um die Ergebnisse einer monatlichen Vorhersage mit einer täglichen Vorhersage zu vergleichen. Während sowohl monatliche als auch tägliche Vorhersagen nützliche Informationen liefern, kann die Vorhersage auf täglicher Basis und die Aggregation aller Vorhersagen eines Monats bessere Ergebnisse liefern als die Vorhersage eines einzelnen Punktes in einem Monat (z. B. Anfang, Mitte oder Ende).Regarding the granularity of the forecasts, experiments were designed to compare the results of a monthly forecast with a daily forecast. While both monthly and daily forecasts provide useful information, forecasting on a daily basis and aggregating all forecasts for a month can produce better results than forecasting a single point in a month (e.g. beginning, middle, or end).

Zusammenfassend wurde eine Vorhersage-Methodik entwickelt, die erfolgreich auf beliebige Zeitreihen (von Vorlaufzeiten) angewendet werden kann, die von einem Kunden bereitgestellt werden, einschließlich spärlicher Datensätze. Die Methodik kann eine Vielzahl von Machine-Learning-Algorithmen verwenden (z. B. Adaboost Regressor, FBProphet, lineare Regression, Mittelwert, Median), um die Leistung auf historischen Daten zu bewerten und die beste Lösung auf zukünftigen Daten zu liefern. Des Weiteren können bestimmte Parameter des Algorithmus (z.B. Saisonalität) dynamisch an jeden Datensatz angepasst werden. Die Stärke des Algorithmus ist, dass die Bewertung der Leistung der einzelnen Algorithmen und deren Konfiguration zur Laufzeit erfolgt, was die Flexibilität bietet, sich an jeden Datensatz anzupassen. Zusätzlich wurde festgestellt, dass das Gruppieren von Zeitperioden nach der Vorhersage verbesserte Ergebnisse liefern kann.In summary, a prediction methodology has been developed that can be successfully applied to any time series (of lead times) provided by a customer, including sparse data sets. The methodology can use a variety of machine learning algorithms (e.g., Adaboost Regressor, FBProphet, Linear Regression, Mean, Median) to evaluate performance on historical data and deliver the best solution on future data. Furthermore, certain parameters of the algorithm (e.g. seasonality) can be dynamically adapted to each data record. The strength of the algorithm is that the evaluation of the performance of the individual algorithms and their configuration takes place at runtime, which offers the flexibility to adapt to each data set. In addition, it has been found that grouping time periods after prediction can provide improved results.

Als Beispiel wurden die in 1 gezeigten historischen Vorlaufzeit-Daten verwendet, um einen Machine-Learning-Algorithmus zu trainieren, der dann für die Vorhersage zukünftiger Vorlaufzeiten verwendet wurde. Die resultierende Vorhersage zukünftiger Vorlaufzeiten ist in 7 dargestellt - für den 12-Monats-Zeitraum von Juli 2017 bis Juli 2018. Die vorhergesagten Vorlaufzeiten variieren von einem Tiefstand von ca. 35 Tagen bis zu einem Höchststand von ca. 50 Tagen - deutlich über der geplanten Vorlaufzeit von 5 Tagen. Diese Informationen können verwendet werden, um die geplante Vorlaufzeit neu zu gestalten, damit sie die tatsächliche Leistung besser widerspiegelt. Oder sie kann dazu verwendet werden, die Quelle (oder Quellen) der durchschnittlichen Abweichung von der geplanten Abweichung im historischen Datensatz weiter zu untersuchen und Korrekturen anzuwenden, um die tatsächlichen Vorlaufzeiten näher an die geplanten Vorlaufzeiten heranzuführen.As an example, the in 1 historical lead time data shown was used to train a machine learning algorithm, which was then used to predict future lead times. The resulting forecast of future lead times is in 7th shown - for the 12-month period from July 2017 to July 2018. The predicted lead times vary from a low of approx. 35 days to a high of approx. 50 days - well above the planned lead time of 5 days. This information can be used to re-design the planned lead time to better reflect actual performance. Or it can be used to further examine the source (or sources) of the average deviation from planned deviation in the historical data set and apply corrections to bring actual lead times closer to planned lead times.

Verwendung der VorhersageergebnisseUse of the prediction results

Die vorhergesagten Vorlaufzeiten können verwendet werden, um die Gestaltung der Lieferkette zu ändern. Wenn die Lieferketten-Planungsplattform eine schnelle Verarbeitung von Hunderttausenden von Zeitreihen ermöglicht (d. h. die oben definierte „Rapid Response“-Plattform), kann ein Lieferketten-Planer Schwellenwerte für die mittlere absolute Abweichung zwischen geplanten und historischen Vorlaufzeiten für jede Zeitreihe festlegen, was zu „Toleranz“-Zonen für jede Zeitreihe führt. Der Planer kann dann die Machine-Learning Vorhersage-Ergebnisse der Vorlaufzeiten (die auf die Plattform hochgeladen werden) in einem schnellen Vorhersage-Szenario der „Rapid Response“-Plattform verwenden, um zu sehen, ob die geplanten Vorlaufzeiten ignoriert oder akzeptiert werden sollten.The predicted lead times can be used to change the design of the supply chain. If the supply chain planning platform allows for the rapid processing of hundreds of thousands of time series (i.e. the "Rapid Response" platform defined above), a supply chain planner can set thresholds for the mean absolute deviation between planned and historical lead times for each time series, resulting in " Tolerance ”zones for each time series. The planner can then use the machine learning prediction results of the lead times (which are uploaded to the platform) in a rapid prediction scenario of the "Rapid Response" platform to see whether the planned lead times should be ignored or accepted.

Wenn ein Planer z.B. die Vorlaufzeiten für eine Automobilsendung abstimmt, kann er eine „innere“ Toleranzschwelle von 0-2 Tagen definieren (d.h. Vorlaufzeiten in dieser Zone müssen nicht geändert werden); eine „nahe“ Toleranzschwelle von 2-6 Tagen (d. h. Vorlaufzeiten in dieser Zone können automatisch aktualisiert werden oder erfordern eine weitere Überprüfung durch den Planer); und eine „äußere“ Toleranzschwelle von 6 Tagen oder mehr (d. h. Vorlaufzeiten in dieser Zone müssen eventuell geändert werden, erfordern aber eine Überprüfung durch einen Planer). Die Schwellenwerte der Vorlaufzeit-Zonen und ihre Aktionen können je nach Produkt geändert werden und können, basierend auf Tagen oder Prozenten, eingestellt werden. Zum Beispiel können die folgenden Toleranzschwellenwerte für ein anderes Produkt wie ein Fahrrad festgelegt werden:

For example, if a planner agrees the lead times for an automobile broadcast, he can define an “inner” tolerance threshold of 0-2 days (ie lead times in this zone do not have to be changed); a “near” tolerance threshold of 2-6 days (ie lead times in this zone can be updated automatically or require further review by the planner); and an “outside” tolerance threshold of 6 days or more (ie lead times in this zone may need to be changed but require a planner to review). The lead time zone thresholds and their actions can be changed depending on the product and can be set based on days or percentages. For example, the following tolerance thresholds can be set for another product such as a bicycle:

Wenn die mittlere absolute Abweichung weniger als 5 Tage beträgt, wird die Toleranzzone als „Innerhalb der Toleranz“ definiert. Wenn die mittlere absolute Abweichung zwischen 5-9 Tagen liegt, wird die Toleranzzone als „Nahe der Toleranz“ definiert. Wo die mittlere absolute Abweichung mehr als 10 Tage beträgt, wird die Toleranzzone als „Außerhalb der Toleranz“ definiert.If the mean absolute deviation is less than 5 days, the tolerance zone is defined as “within tolerance”. If the mean absolute deviation is between 5-9 days, the tolerance zone is defined as “close to tolerance”. Where the mean absolute deviation is more than 10 days, the tolerance zone is defined as "Out of tolerance".

Die folgenden drei Beispiele (Tabellen 1-3) zeigen jeweils eine Zeitreihe, in der die geplante Vorlaufzeit mit der tatsächlichen Vorlaufzeit (für eine Anzahl von Zeiträumen) verglichen wird; die mittlere absolute Abweichung wird jeweils berechnet und dann in eine der drei Toleranzzonen eingeordnet.

The following three examples (Tables 1-3) each show a time series in which the planned lead time is compared with the actual lead time (for a number of time periods); the mean absolute deviation is calculated in each case and then classified in one of the three tolerance zones.

Hier ist die mittlere absolute Abweichung (4 Tage × 5)/5 = 4 Tage. Basierend auf den oben definierten Toleranzschwellen-Einstellungen wird die absolute mittlere Abweichung der Vorlaufzeit für diese Zeitreihe als „innerhalb der Toleranz“ kategorisiert. Als solches können die Machine-Learning-Vorhersageergebnisse für diese Zeitreihe ignoriert werden, da die Abweichung innerhalb einer akzeptablen Toleranzschwelle liegt.

Here the mean absolute deviation is (4 days × 5) / 5 = 4 days. Based on the tolerance threshold settings defined above, the absolute mean deviation of the lead time for this time series is categorized as “within tolerance”. As such, the machine learning prediction results for this time series can be ignored as the deviation is within an acceptable tolerance threshold.

Hier beträgt die mittlere absolute Abweichung (6+6+8+6+6) Tage/5 = 6,4 Tage. Basierend auf den oben definierten Toleranzschwellen-Einstellungen liegt die mittlere absolute Vorlaufzeit-Abweichung für diese Zeitreihe zwischen 5 und 9 Tagen und wird somit als „nahe der Toleranz“ kategorisiert. Als solches können die Machine-Learning-Vorhersageergebnisse für diese Zeitreihe anstelle der geplanten Vorlaufzeit verwendet werden. Wenn die Lieferketten-Planungsplattform z. B. automatisiert hat, dass alle Abweichungen, die als „nahe der Toleranz“ kategorisiert sind, die vorhergesagten Vorlaufzeiten für die weitere Planung verwenden sollen, dann werden die vorhergesagten Ergebnisse für die weitere Analyse und Vorhersage der zukünftigen Geschäftskennzahlen verwendet. Wenn die Lieferketten-Planungsplattform hingegen angegeben hat, dass „nahe der Toleranz“-Abweichungen jeweils einzeln geprüft werden sollen, dann vergleicht der Planer Szenarien mit geplanten Vorlaufzeiten gegenüber Vorlaufzeiten, die durch Machine-Learning vorhergesagt wurden, und entscheidet, wie er weiter vorgeht. Wie bereits erwähnt, werden diese Analysen am besten auf einer Rapid-Response-Plattform durchgeführt.

Here the mean absolute deviation is (6 + 6 + 8 + 6 + 6) days / 5 = 6.4 days. Based on the tolerance threshold settings defined above, the mean absolute lead time deviation for this time series is between 5 and 9 days and is therefore categorized as “close to tolerance”. As such, the machine learning prediction results for this time series can be used in place of the planned lead time. If the supply chain planning platform is e.g. For example, if it has automated that all variances that are categorized as “near tolerance” should use the predicted lead times for further planning, then the predicted results are used for further analysis and prediction of future business metrics. If, on the other hand, the supply chain planning platform has indicated that “near tolerance” deviations should be checked individually, then the planner compares scenarios with planned lead times versus lead times predicted by machine learning, and decides how to proceed. As mentioned earlier, these analyzes are best performed on a rapid response platform.

Hier beträgt die mittlere absolute Abweichung (11 × 4) Tage/4 = 11 Tage. Basierend auf den oben definierten Toleranzschwellen-Einstellungen liegt die mittlere absolute Abweichung der Vorlaufzeit für diese Zeitreihe über 10 Tagen und wird somit als „außerhalb der Toleranz“ kategorisiert. Als solches können die Machine Learning-Vorhersageergebnisse für diese Zeitreihe anstelle der geplanten Vorlaufzeit verwendet werden. Wie bei dem Fall „nahe der Toleranz“ hängt das weitere Vorgehen davon ab, welche Art von Aktion festgelegt wurde. Wenn die Lieferketten-Planungsplattform z. B. automatisiert hat, dass alle Abweichungen, die als „nahe der Toleranz“ kategorisiert sind, die vorhergesagten Vorlaufzeiten für die weitere Planung verwenden sollen, dann werden die vorhergesagten Ergebnisse für die weitere Analyse und Vorhersage der zukünftigen Geschäftskennzahlen verwendet. Wenn die Lieferketten-Planungsplattform hingegen angegeben hat, dass „nahe der Toleranz“-Abweichungen jeweils einzeln geprüft werden sollen, dann vergleicht der Planer Szenarien mit geplanten Vorlaufzeiten gegenüber Vorlaufzeiten, die durch Machine-Learning vorhergesagt wurden, und entscheidet, wie er weiter vorgeht. Wie bereits erwähnt, werden diese Analysen am besten auf einer Rapid-Response-Plattform durchgeführt.Here the mean absolute deviation is (11 × 4) days / 4 = 11 days. Based on the tolerance threshold settings defined above, the mean absolute deviation of the lead time for this time series is over 10 days and is therefore categorized as "outside of tolerance". As such, the machine learning prediction results for this time series can be used in place of the planned lead time. As with the “near tolerance” case, how you proceed depends on what type of action has been specified. If the supply chain planning platform is e.g. For example, if it has automated that all variances that are categorized as “near tolerance” should use the predicted lead times for further planning, then the predicted results are used for further analysis and prediction of future business metrics. If, on the other hand, the supply chain planning platform has indicated that “near tolerance” deviations should be checked individually, the planner compares scenarios with planned lead times against lead times predicted by machine learning and decides how to proceed. As mentioned earlier, these analyzes are best performed on a rapid response platform.

ClusteringClustering

Clustering (via Machine-Learning) kann verwendet werden, um Probleme in einer Lieferkette zu identifizieren. Eine Technik, die verwendet werden kann, ist die Klassifizierung von Vorlaufzeit-Clustern basierend auf deren Form und Muster in Bezug auf die Vorlaufzeit. Beispielsweise können Vorlaufzeiten innerhalb eines bestimmten Clusters helfen, eine Problemquelle (z. B. einen bestimmten Lieferanten) zu identifizieren. Aufgrund der großen Größe von Datensätzen, die im Lieferketten-Management verwendet werden, kann jedoch der Dynamic Time Warp (DTW)-Algorithmus, der üblicherweise für das Clustering verwendet wird, aufgrund seiner quadratischen Zeitkomplexität nicht verwendet werden, was seine Verwendung rechnerisch unerschwinglich macht. Alternative konventionelle Clustering-Algorithmen (z. B. dichtebasiert, hierarchisch, iterativ usw.) sind möglicherweise nicht in der Lage, den großen Datensatz zu verarbeiten und führen zu einer schlechten Clustering-Leistung. Der Schlüssel liegt darin, eine robuste, leistungsstarke Clustering-Technik zu finden, die in der Lage ist, große Datensätze (aus Lieferketten-Daten) zu verarbeiten. Ein Datensatz kann z. B. Hunderttausende bis ein paar hundert Millionen Datenpunkte enthalten.Clustering (via machine learning) can be used to identify problems in a supply chain. One technique that can be used is to classify lead time clusters based on their shape and pattern in relation to lead time. For example, lead times within a particular cluster can help identify a source of a problem (e.g. a particular supplier). However, due to the large size of data sets used in supply chain management, the Dynamic Time Warp (DTW) algorithm commonly used for clustering cannot be used due to its quadratic time complexity, making its use computationally prohibitive. Alternative conventional clustering algorithms (e.g., density-based, hierarchical, iterative, etc.) may not be able to handle the large data set and result in poor clustering performance. The key is to find a robust, powerful clustering technique that is capable of handling large data sets (from supply chain data). A data record can e.g. B. contain hundreds of thousands to a few hundred million data points.

Es wurde die Hypothese aufgestellt, dass die Leistung verbessert werden kann, indem die Rohdaten mit Merkmalen (z. B. Statistiken höherer Ordnung und verfügbaren Metadaten) angereichert werden. Nach iterativem Experimentieren mit verschiedenen Merkmalen und Algorithmen wurden zwei Merkmale identifiziert, die die Leistung der Clustering-Algorithmen signifikant verbesserten: Linearität (erhalten durch lineare Regressionen) und Saisonalität (erhalten durch Fourier-Transformation). Die Qualität eines Clusters wurde durch die Verwendung interner Validierungsmaße quantifiziert, die auf Basis von Ähnlichkeiten von Datenpunkten innerhalb eines Clusters und deren Unähnlichkeiten zu Datenpunkten in anderen Clustern berechnet wurden.It has been hypothesized that performance can be improved by enriching the raw data with features (e.g., higher order statistics and available metadata). After iterative experimentation with different features and algorithms, two features were identified that significantly improved the performance of the clustering algorithms: linearity (obtained by linear regressions) and seasonality (obtained by Fourier transform). The quality of a cluster was quantified using internal validation measures calculated on the basis of similarities between data points within one cluster and their dissimilarities to data points in other clusters.

Die Validierung zeigte jedoch, dass in einigen Szenarien das Clustering im vollen Merkmalsraum (z. B. wenn Daten und jedes Merkmal orthogonale Dimensionen sind) nicht wie erwartet funktionierte, da die Datenpunkte zu verrauscht oder äquidistant zueinander waren, was ein zuverlässiges Clustering erschwerte. Es wurde festgestellt, dass durch die Projektion des Datensatzes mit höherer Dimensionalität in den 2-dimensionalen Raum das Rauschen reduziert und die Clustering-Leistung in einigen Szenarien verbessert wurde, und der Ansatz wurde übernommen.However, the validation showed that in some scenarios the clustering in the full feature space (e.g. when data and each feature are orthogonal dimensions) did not work as expected because the data points were too noisy or equidistant from one another, which made reliable clustering difficult. It was found that projecting the data set of higher dimensionality into 2-dimensional space reduced the noise and improved clustering performance in some scenarios, and the approach was adopted.

Daher wurde eine recheneffiziente Clustering-Technik entwickelt, mit der potenzielle Probleme mit den Versorgungsleitungen eines Kunden identifiziert werden konnten. Angesichts der großen Datenmengen wurde festgestellt, dass herkömmliche Clustering-Algorithmen nicht standardmäßig eingesetzt werden können. Es wurde eine Clustering-Strategie entwickelt, die abgeleitete Statistiken wie Trends und Saisonalität verwendet, um die Leistung der Clustering-Algorithmen zu verbessern. Zusätzlich wurde eine Technik entwickelt, um das Rauschen der Ergebnisse durch Projektion auf den zweidimensionalen Raum zu reduzieren.Therefore, a computationally efficient clustering technique was developed that could identify potential problems with a customer's utility lines. Given the large amount of data, it has been found that traditional clustering algorithms cannot be used out of the box. A clustering strategy was developed that uses inferred statistics such as trends and seasonality to improve the performance of the clustering algorithms. In addition, a technique was developed to reduce the noise of the results by projecting them onto two-dimensional space.

8 stellt ein Flussdiagramm für eine Ausführungsform zur Clusteranalyse dar. Der Clustering-Algorithmus ruft verarbeitete Daten (94) ab und prüft, ob der verarbeitete Datensatz für die Clustering-Analyse gültig (95) ist (d. h. er ist nicht leer). Anschließend werden Merkmale (96) für jede Zeitreihe im Datensatz erzeugt. 8th Figure 3 illustrates a flow diagram for one embodiment for cluster analysis. The clustering algorithm retrieves processed data ( 94 ) and checks whether the processed data set is valid for the clustering analysis ( 95 ) is (i.e. it is not empty). Then features ( 96 ) for each time series in the data set.

Zum Beispiel können die folgenden vier Merkmale identifiziert werden: Saisonalität; aufwärts gerichtete Linearität; flache Linearität und abwärts gerichtete Linearität. Beispiele für jedes der möglichen vier Merkmale sind in 9A-9D dargestellt. In 9A-9C kann jedes Streudiagramm durch eine Anpassungsgerade y = mx + b angenähert werden, wobei „m“ die Steigung und „b“ der y-Achsenabschnitt ist. In 9A ist m > 0 (Aufwärtstrend); in 9B ist m < 0 (Abwärtstrend) und in 9C ist m ungefähr 0 (flacher Trend). In 9D zeigt das Streudiagramm die Saisonalität. 9E zeigt ein Streudiagramm, das sowohl Saisonalität als auch einen Aufwärtstrend (m > 0) aufweist. Obwohl vier Merkmale identifiziert wurden, ist es möglich, dass mehr oder weniger Merkmale für eine Clustering-Analyse identifiziert werden können.For example, the following four characteristics can be identified: seasonality; upward linearity; flat linearity and downward linearity. Examples of each of the possible four characteristics are in 9A-9D shown. In 9A-9C each scatter diagram can be approximated by a fitting line y = mx + b, where “m” is the slope and “b” is the y-axis intercept. In 9A if m> 0 (upward trend); in 9B if m <0 (downward trend) and in 9C m is about 0 (flat trend). In 9D the scatter plot shows the seasonality. 9E Figure 12 shows a scatter plot showing both seasonality and an uptrend (m> 0). Although four features have been identified, it is possible that more or fewer features can be identified for a clustering analysis.

Die Daten können dann vor der Clustering-Analyse in drei Gruppen geteilt (97) werden: ob die Daten in jeder Zeitreihe spärlich, flach oder reichhaltig sind. Wenn zum Beispiel jede Zeitreihe die Vorlaufzeit eines bestimmten Gegenstands von einem bestimmten Ursprung zu einem bestimmten Ziel über einen Zeitraum von zwei Jahren widerspiegelt, kann die Zeitreihe 24 Datenpunkte haben (d.h. einen Datenpunkt pro Monat). Eine Zeitreihe, die als „spärlich“ kategorisiert ist, kann weniger als einen Schwellenwert an Datenpunkten haben (z.B. 12), während ein „reichhaltiger“ Datensatz mehr als einen Schwellenwert an Datenpunkten haben kann. Eine als „flach“ kategorisierte Zeitreihe hat die gleiche Vorlaufzeit über den 24-Monats-Zeitraum.The data can then be divided into three groups prior to clustering analysis ( 97 ): whether the data in each time series is sparse, flat, or abundant. For example, if each time series reflects the lead time of a particular item from a particular origin to a particular destination over a period of two years, the time series 24 Have data points (i.e. one data point per month). A time series that is categorized as “sparse” can have fewer than one threshold value of data points (e.g. 12), while a “rich” data set can have more than one threshold value of data points. A time series categorized as “flat” has the same lead time over the 24-month period.

Das Clustering kann für jede der drei Gruppen (d. h. „spärlich“, „flach“ und „reichhaltig“) durchgeführt werden, indem eine optimale Anzahl von Clustern (98) gefunden wird. Die optimale Anzahl kann zwischen 2 und 100 Clustern liegen. Sobald die Anzahl der Cluster festgelegt ist (für jede Gruppe), wird ein erstes Clustering durchgeführt. Innerhalb jeder Gruppe gibt es einen optionalen Schritt der Teilung von großen Clustern (99) des Weiteren in kleinere Sub-Cluster. Schließlich kann jeder der Cluster (innerhalb jeder Gruppe) beschnitten werden (100), indem Ausreißerdaten entfernt werden, die z.B. durch eine Quartilsanalyse identifiziert werden können. Die endgültigen Cluster-Ergebnisse für jede der drei Gruppen können dann auf eine Lieferketten-Planungsplattform zur weiteren Analyse hochgeladen werden (101).Clustering can be done for any of the three groups (i.e., “sparse”, “flat” and “rich”) by using an optimal number of clusters ( 98 ) Is found. The optimal number can be between 2 and 100 clusters. As soon as the number of clusters has been determined (for each group), an initial clustering is carried out. Within each group there is an optional step of splitting large clusters ( 99 ) further into smaller sub-clusters. Finally, each of the clusters (within each group) can be pruned ( 100 ) by removing outlier data that can be identified, for example, by a quartile analysis. The final cluster results for each of the three groups can then be uploaded to a supply chain planning platform for further analysis ( 101 ).

Verwendung der Clustering-ErgebnisseUsing the clustering results

Die Machine-Learning-Clustering-Analyse kann verwendet werden, um Problempunkte in der Lieferkette zu identifizieren. Wenn eine Lieferketten-Planungsplattform eine schnelle Verarbeitung von Hunderttausenden von Zeitreihen vorsieht - d.h. eine Rapid-Response-Plattform (wie oben definiert), kann ein Lieferketten-Planer Schwellenwerte in der mittleren absoluten Abweichung zwischen geplanten und historischen Vorlaufzeiten für jede Zeitreihe festlegen, was zu „Toleranz“-Zonen für jede Zeitreihe führt, und zwar in ähnlicher Weise wie oben beschrieben.Machine learning clustering analysis can be used to identify problem points in the supply chain. If a supply chain planning platform provides for the rapid processing of hundreds of thousands of time series - i.e. a rapid response platform (as defined above), a supply chain planner can set thresholds in the mean absolute deviation between planned and historical lead times for each time series, which is to be "Tolerance" zones for each time series, in a similar way as described above.

Die Cluster-Ergebnisse, die in die Lieferketten-Planungsplattform hochgeladen werden, können dann zunächst nach Toleranzzonen gefiltert werden und dann innerhalb jeder Toleranzzone nach spezifischen Lieferketten-Kennungen, wie z.B. Teile-Standort, Lieferanten-Identifikation, Bestimmungsort des Teils, Region des Lieferanten-Standorts, Transportmodus für das Teil, Trend (ob die Vorlaufzeiten nach oben, unten oder flach tendieren); und Saisonalität (ob die Vorlaufzeiten saisonal sind oder nicht).The cluster results that are uploaded to the supply chain planning platform can then first be filtered according to tolerance zones and then within each tolerance zone according to specific supply chain identifiers, such as part location, supplier identification, destination of the part, region of the supplier Location, mode of transport for the part, trend (whether lead times are trending up, down or flat); and seasonality (whether the lead times are seasonal or not).

10 zeigt eine Baum-Karte (110), die Cluster von Teilen darstellt, die außerhalb einer Toleranzzone liegen, die in diesem Beispiel gemäß der Abweichungsskala für Vorlaufzeiten (115) mit 32 Tagen definiert ist. Alle Teile (in jedem Sub-Cluster) sind verspätet, da die tatsächlichen Vorlaufzeiten eine absolute mittlere Abweichung von mehr als 32 Tagen aufweisen. 10 shows a tree map ( 110 ), which represents clusters of parts that are outside a tolerance zone, which in this example according to the deviation scale for lead times ( 115 ) is defined as 32 days. All parts (in each sub-cluster) are late because the actual lead times have an absolute mean deviation of more than 32 days.

Die Größe jedes Kästchens stellt die Anzahl der Teile im Cluster dar. Die Überschrift jedes Kästchens bezieht sich auf eine Clusterkategorie. Die Schattierung jedes Kästchens stellt die Vorlaufzeit-Abweichung dar (je dunkler die Schattierung, desto größer die Abweichung). Zum Beispiel scheint die größte Box (125) eine Vorlaufzeit-Abweichung von ca. 37 Tagen zu haben (die Überschrift „Global“ ist eine Kennzeichnung eines Fertigungsstandorts). Das nächstgrößere Feld (130), das etwa zwei Drittel der Größe von Feld (125) hat, scheint eine Vorlaufzeit-Abweichung von etwa 37 Tagen zu haben und bezieht sich auf einen bestimmten Lieferanten, der als „S008“ identifiziert wird. Das heißt, eine beträchtliche Anzahl von Teilen des Lieferanten S008 hat eine Vorlaufzeit-Abweichung von ca. 37 Tagen, was einem Planer nützliche Informationen über mögliche Probleme mit dem Lieferanten S008 liefert.The size of each box represents the number of parts in the cluster. The heading of each box relates to a cluster category. The shade of each box represents the lead time deviation (the darker the shade, the greater the deviation). For example, the largest box ( 125 ) to have a lead time deviation of approx. 37 days (the heading "Global" is an identification of a production location). The next larger field ( 130 ), which is about two-thirds the size of field ( 125 ) appears to have a lead time variance of about 37 days and relates to a specific supplier identified as "S008". That is, a significant number of parts from supplier S008 have a lead time variance of about 37 days, which provides a planner with useful information about possible problems with supplier S008.

Cluster (135), etwa halb so groß wie Cluster (130), hat eine kürzere Vorlaufzeit-Abweichung von etwa 32 Tagen (wie durch die helle Schattierung festgestellt). Dies bezieht sich auf einen bestimmten Standort in der Lieferkette aller Teile, identifiziert als Standort „E3003“. Eine gleiche Anzahl von Teilen (zu denen in Cluster (130)), wie durch Kästchen (140) identifiziert, hat jedoch eine höhere Vorlaufzeit-Abweichung von etwa 36 Tagen. Dieser Cluster bezieht sich auf den Lieferanten S006 in der Lieferkette für alle Teile.Cluster ( 135 ), about half the size of cluster ( 130 ), has a shorter lead time deviation of about 32 days (as indicated by the light shading). This refers to a specific location in the supply chain of all parts, identified as location “E3003”. An equal number of parts (to those in cluster ( 130 )), as indicated by box ( 140 ), but has a higher lead time deviation of about 36 days. This cluster refers to supplier S006 in the supply chain for all parts.

Als nächstes gibt es in der Spalte ganz rechts drei Gruppen von Clustern (120, 145, 150) mit einer relativ geringen Anzahl von Teilen (wie durch die Größe des jeweiligen Kästchens verdeutlicht).Next, in the far right column, there are three groups of clusters ( 120 , 145 , 150 ) with a relatively small number of parts (as indicated by the size of the respective box).

Es gibt ein Cluster von Teilen (120), der durch den dunkelsten Farbton dargestellt wird und die größte Abweichung der Vorlaufzeit von 42 Tagen anzeigt. Der Größe nach repräsentiert dieser Cluster eine relativ kleine Anzahl von Teilen (die Anzahl der Teile in diesem Cluster ist 3, wie in der Statistikbox gezeigt). Die dunklere Schattierung bedeutet, dass dieser Cluster nicht nur erheblich außerhalb der Toleranz liegt, sondern auch einen potenziell unverhältnismäßig großen Teil des Umsatzes in Gefahr bringt. Dieser dunkle Cluster (120) ist möglicherweise ein guter Ort, um die weitere Analyse auf einen Problempunkt in der Lieferkette zu konzentrieren. Seine Überschrift verweist auf einen bestimmten Standort, der als „P2001“ identifiziert wird, was dem Planer einen sofortigen Einblick gibt, wo das akuteste Problem in der Lieferkette liegen könnte (d.h. am Standort P2001).There is a cluster of parts ( 120 ), which is represented by the darkest color and shows the largest deviation in the lead time of 42 days. In terms of size, this cluster represents a relatively small number of parts (the number of parts in this cluster is 3 as shown in the statistics box). The darker shade means that this cluster is not only significantly out of tolerance, but also puts a potentially disproportionately large chunk of sales at risk. This dark cluster ( 120 ) may be a good place to focus further analysis on a problem point in the supply chain. Its heading points to a specific location identified as "P2001", which gives the planner an instant view of where the most acute problem might be in the supply chain (ie, location P2001).

Die übrigen Cluster (145) und (150) sind etwas kleiner als Cluster (120) und stellen jeweils 2 Teile als außerhalb der Toleranz dar. Cluster (145) bezieht sich auf einen saisonalen Cluster, bei dem die Vorlaufzeit-Abweichung etwa 34 Tage beträgt, während Cluster (150) eine Vorlaufzeit-Abweichung von etwa 37 Tagen für 2 Teile aufweist und sich auf einen Standort bezieht, der als Standort „E3001“ identifiziert wird.The remaining clusters ( 145 ) and ( 150 ) are slightly smaller than clusters ( 120 ) and each represent 2 parts as out of tolerance. Cluster ( 145 ) refers to a seasonal cluster where the lead time deviation is about 34 days, while cluster ( 150 ) has a lead time deviation of approximately 37 days for 2 parts and relates to a location identified as location "E3001".

Weitere Analysen können basierend auf einer Cluster-Baum-Analyse bereitgestellt werden. Dies ist in 11 dargestellt, die die Ergebnisse der Geschäftsauswirkungen und der gefährdeten Einnahmen unter Verwendung von Analysewerkzeugen in einer Lieferketten-Planungsplattform zeigt, die eine sofortige Analyse ermöglicht (z. B. eine Rapid-Response-Plattform, wie oben definiert).Further analyzes can be provided based on a cluster tree analysis. This is in 11 showing the business impact and revenue at risk results using analytical tools in a supply chain planning platform that allows for instant analysis (e.g. a rapid response platform as defined above).

In 11 ist das Tortendiagramm mit der Bezeichnung Teileanzahl (160) in drei Segmente unterteilt: innerhalb der Toleranz (205); nahe der Toleranz (200) und außerhalb der Toleranz (210). Ungefähr 30% der Gegenstände hatten eine Vorlaufzeit, die nahe an der geplanten Vorlaufzeit lag, d.h. der absolute Mittelwert der Vorlaufzeit lag innerhalb der Toleranz (205) (d.h. innerhalb eines akzeptablen Bereichs). Weitere 30 % der Gegenstände wiesen höhere Abweichungen bei der Vorlaufzeit auf, befanden sich aber immer noch in einem Bereich nahe der Toleranz (200). Schließlich waren etwa 40 % der Gegenstände außerhalb der Toleranz (210)In 11 is the pie chart with the designation number of parts ( 160 ) divided into three segments: within tolerance ( 205 ); close to tolerance ( 200 ) and out of tolerance ( 210 ). About 30% of the items had a lead time that was close to the planned lead time, i.e. the absolute mean of the lead time was within the tolerance ( 205 ) (ie within an acceptable range). Another 30% of the items had higher deviations in lead time, but were still in a range close to tolerance ( 200 ). After all, about 40% of the items were out of tolerance ( 210 )

Das Kreisdiagramm „Teileanzahl“ (160) bedeutet nicht notwendigerweise, dass irgendwelche Maßnahmen ergriffen werden sollten. Die Auswirkungen dieser Ergebnisse können jedoch durch die Betrachtung des möglichen Zusammenspiels zwischen dem Kreisdiagramm „Bestand“ (170) und dem Kreisdiagramm „Umsatzrisiko“ (180) bewertet werden. Solche Ergebnisse können durch Analysewerkzeuge einer Lieferketten-Planungsplattform bereitgestellt werden, z. B. durch eine Rapid-Response-Plattform wie oben definiert.The pie chart "Number of parts" ( 160 ) does not necessarily mean that any action should be taken. However, the effects of these results can be seen by considering the possible interplay between the "Inventory" pie chart ( 170 ) and the pie chart "Revenue Risk" ( 180 ) be rated. Such results can be provided by analysis tools of a supply chain planning platform, e.g. B. by a rapid response platform as defined above.

Gemäß Diagramm (170) sind etwa 80 % des Bestands mit Gegenständen verbunden, die innerhalb der Toleranz liegen (305), während 10 % mit Gegenständen in der Nähe der Toleranz verbunden sind (300). Allerdings sind nur 5% des Bestands mit Gegenständen verbunden, deren nachgewiesene Vorlaufzeit außerhalb der Toleranz liegt (310). Gemäß dieser Analyse sind zwar ca. 40% der Gegenstände außerhalb der Toleranz (basierend auf der Teilezählungstabelle (160)), dies führt jedoch dazu, dass nur ca. 5% des Bestands eine Vorlaufzeit außerhalb der Toleranz haben. Die Bestandsmenge an sich liefert jedoch keine vollständigen Informationen.According to the diagram ( 170 ) about 80% of the inventory is associated with items that are within tolerance ( 305 ), while 10% are associated with items close to tolerance ( 300 ). However, only 5% of inventory is associated with items that have a proven lead time outside of tolerance ( 310 ). According to this analysis, although approximately 40% of the items are out of tolerance (based on the parts counting table ( 160 )), but this means that only about 5% of the inventory has a lead time outside of the tolerance. However, the inventory quantity itself does not provide complete information.

Ein Diagramm zum Umsatzrisiko (180) zeigt, dass etwa 45 % des Gesamtumsatzes gefährdet sind - wie durch den Teil (410) dargestellt. Das heißt, eine relativ kleine Anzahl von Teilen, die sich im Diagramm (170) des Lagerbestands außerhalb der Toleranzzone (310) befinden, kann einen unverhältnismäßig großen Einfluss auf den Umsatz haben. Eine solche Analyse zeigt, dass die Behebung von Problemen mit der Vorlaufzeit bei einer relativ kleinen Anzahl von Teilen eine enorme Rendite haben kann.A sales risk chart ( 180 ) shows that about 45% of total sales are at risk - as by the part ( 410 ) shown. That is, a relatively small number of parts that are in the diagram ( 170 ) of inventory outside the tolerance zone ( 310 ) can have a disproportionately large impact have on sales. Such an analysis shows that fixing lead-time issues with a relatively small number of parts can produce a huge return on investment.

12 illustriert ein Computer-System 1200, das zur Implementierung des in den 2A oder 2B gezeigten Systems verwendet werden kann. Es versteht sich, dass die Darstellung des Computer-Systems 1200 eine verallgemeinerte Darstellung ist und dass das Computer-System 1200 zusätzliche Komponenten enthalten kann und dass einige der beschriebenen Komponenten entfernt und/oder modifiziert werden können. Außerdem kann das in den 2A oder 2B dargestellte System in einem verteilten Computer-System, wie z.B. einem Cloud-Computer-System, implementiert sein. Zum Beispiel kann das Computer-System 1200 einen Server darstellen, auf dem das in den 2A oder 2B dargestellte System läuft, oder das Computer-System 1200 kann einen von mehreren verteilten Servern umfassen, der Funktionen des in den 2A oder 2B dargestellten Systems ausführt. 12th illustrates a computer system 1200 that is used to implement the 2A or 2 B system shown can be used. It is understood that the representation of the computer system 1200 is a generalized representation and that the computer system 1200 may contain additional components and that some of the components described can be removed and / or modified. In addition, this can be done in the 2A or 2 B The system shown can be implemented in a distributed computer system, such as a cloud computer system. For example, the computer system 1200 represent a server on which the 2A or 2 B The system shown is running, or the computer system 1200 may include one of multiple distributed servers that perform functions of the 2A or 2 B system shown.

Das Computer-System 1200 umfasst Prozessor(en) 1201, wie z. B. eine Zentralrecheneinheit, anwendungsspezifische integrierte Schaltung (ASIC) oder eine andere Art von Verarbeitungsschaltung; Eingabe-/Ausgabegeräte 1202, wie z. B. ein Display, eine Maustastatur usw.; eine Netzwerkschnittstelle 1208, wie z. B. eine oder mehrere Schnittstellen zum Anschluss an ein lokales Netzwerk (LAN), ein drahtloses 802.11x LAN, ein 7G- oder 4G-Mobil-WAN oder ein WiMax-WAN oder eine andere Art von Netzwerk; und ein Computer-lesbares Medium 1204. Jede dieser Komponenten kann operativ mit einem Bus 1209 gekoppelt sein. Das Computer-lesbares Medium 1204 kann jedes geeignete Medium sein, das an der Bereitstellung von Befehlen an den/die Prozessor(en) 1201 zur Ausführung teilnimmt. Zum Beispiel kann das Computer-lesbares Medium 1204 ein nicht flüchtiges oder nicht transitorisches Medium sein, wie eine Magnetplatte oder ein nicht flüchtiger Festkörperspeicher oder ein flüchtiges Medium wie RAM. Die auf dem computerlesbaren Medium 1204 gespeicherten Befehle können maschinenlesbare Befehle enthalten, die von dem/den Prozessor(en) 1201 ausgeführt werden, um die Verfahren und Funktionen des in den 2A oder 2B dargestellten Systems durchzuführen.The computer system 1200 includes processor (s) 1201 such as B. a central processing unit, application-specific integrated circuit (ASIC) or some other type of processing circuit; Input / output devices 1202 such as B. a display, a mouse keyboard, etc .; a network interface 1208 such as B. one or more interfaces for connection to a local area network (LAN), a wireless 802.11x LAN, a 7G or 4G mobile WAN or a WiMax WAN or another type of network; and a computer-readable medium 1204 . Each of these components can be operational with a bus 1209 be coupled. The computer-readable medium 1204 can be any suitable medium involved in providing instructions to the processor (s) 1201 participates in execution. For example, the computer-readable medium can be 1204 be a non-volatile or non-transitory medium, such as a magnetic disk or a non-volatile solid-state memory, or a volatile medium such as RAM. Those on the computer readable medium 1204 Stored instructions may contain machine-readable instructions that are processed by the processor (s) 1201 run to understand the procedures and functions of the 2A or 2 B system shown.

Das Computer-lesbare Medium 1204 kann ein Betriebssystem 1205, wie z. B. MAC OS, MS WINDOWS, UNIX oder LINUX, und eine oder mehrere Anwendungen speichern, die die Module für das in den 2A oder 2B gezeigte System enthalten können. Das Betriebssystem 1205 kann Multi-User, Multi-Processing, Multitasking, Multithreading, Echtzeit usw. sein.The computer-readable medium 1204 can be an operating system 1205 such as B. MAC OS, MS WINDOWS, UNIX or LINUX, and one or more applications that store the modules for the in the 2A or 2 B system shown. The operating system 1205 can be multi-user, multi-processing, multi-tasking, multi-threading, real-time, etc.

Das Computer-System 1200 kann einen Datenspeicher 1207 enthalten, der einen nichtflüchtigen Datenspeicher enthalten kann. Der Datenspeicher 1207 speichert Daten, die von dem in den 2A oder 2B gezeigten System verwendet werden (d.h. er speichert Daten, die von den Machine-Learning-Diensten verwendet werden). Der Datenspeicher 1207 kann für eine Datenablage (nicht dargestellt) verwendet werden oder das Computer-System 1200 kann mit einem Datenbankserver (nicht dargestellt) zur Bereitstellung der Datenablage verbunden sein.The computer system 1200 can be a data store 1207 which can contain a non-volatile data memory. The data store 1207 stores data created by the 2A or 2 B system shown (i.e. it stores data that is used by the machine learning services). The data store 1207 can be used for data storage (not shown) or the computer system 1200 can be connected to a database server (not shown) to provide data storage.

Endbenutzergeräte 1210 und andere Computer-Systeme/Server können sich auch über das LAN und die Netzwerkschnittstelle 1208 mit dem Computer-System 1200 verbinden. Außerdem kann die Netzwerkschnittstelle 1208 das Computer-System 1200 mit dem Internet verbinden. Zum Beispiel kann das Computer-System 1200 über die Netzwerkschnittstelle 1208 und das Internet eine Verbindung zur Benutzerschnittstelle 1211 und zu den Datenquellen 1212 herstellen.End-user devices 1210 and other computer systems / servers can also use the LAN and the network interface 1208 with the computer system 1200 connect. In addition, the network interface 1208 the computer system 1200 connect to the Internet. For example, the computer system 1200 via the network interface 1208 and the internet connects to the user interface 1211 and to the data sources 1212 produce.

Verschiedene Ausführungsformen von Systemen, Geräten und Verfahren wurden hier beschrieben. Diese Ausführungsformen sind nur als Beispiel angegeben und sollen den Umfang der Erfindung nicht einschränken. Es sollte außerdem beachtet werden, dass die verschiedenen Merkmale der beschriebenen Ausführungsformen auf verschiedene Weise kombiniert werden können, um zahlreiche zusätzliche Ausführungsformen zu erzeugen. Darüber hinaus, während verschiedene Materialien, Abmessungen, Formen, Konfigurationen und Orte, etc. wurden für die Verwendung mit offengelegten Ausführungsformen beschrieben, andere neben den offengelegten können verwendet werden, ohne den Geltungsbereich der Erfindung zu überschreiten.Various embodiments of systems, devices, and methods have been described herein. These embodiments are given by way of example only and are not intended to limit the scope of the invention. It should also be noted that the various features of the described embodiments can be combined in various ways to produce numerous additional embodiments. Furthermore, while various materials, dimensions, shapes, configurations, and locations, etc. have been described for use with the disclosed embodiments, others besides those disclosed may be used without departing from the scope of the invention.

Fachleute der entsprechenden Fachwelt werden erkennen, dass die Erfindung weniger Merkmale umfassen kann, als in den einzelnen oben beschriebenen Ausführungsformen dargestellt sind. Die hier beschriebenen Ausführungsformen sind nicht als erschöpfende Darstellung der Möglichkeiten gedacht, in denen die verschiedenen Merkmale der Erfindung kombiniert werden können. Dementsprechend sind die Ausführungsformen keine sich gegenseitig ausschließenden Kombinationen von Merkmalen; vielmehr kann die Erfindung eine Kombination von verschiedenen einzelnen Merkmalen umfassen, die aus verschiedenen einzelnen Ausführungsformen ausgewählt sind, wie sie von Personen mit gewöhnlichem Fachwissen in der Fachwelt verstanden werden.Those skilled in the relevant art will recognize that the invention may comprise fewer features than are illustrated in the individual embodiments described above. The embodiments described herein are not intended to be an exhaustive illustration of the ways in which the various features of the invention can be combined. Accordingly, the embodiments are not mutually exclusive combinations of features; rather, the invention may comprise a combination of various individual features that emerge from various individual features Embodiments are selected as understood by those of ordinary skill in the art.

Jegliche Einbeziehung von Dokumenten durch Verweis oben ist so begrenzt, dass kein Gegenstand einbezogen wird, der der ausdrücklichen Offenbarung hierin widerspricht. Jegliche Einbeziehung durch Verweis auf die oben genannten Dokumente ist des Weiteren dahingehend beschränkt, dass keine in den Dokumenten enthaltenen Ansprüche durch Verweis hierin einbezogen werden. Jegliche Einbeziehung von Dokumenten durch Verweis ist des Weiteren dahingehend eingeschränkt, dass in den Dokumenten enthaltene Definitionen nicht durch Verweis einbezogen werden, es sei denn, sie sind hier ausdrücklich enthalten.Any inclusion of documents by reference above is limited to not include subject matter that contradicts the express disclosure herein. Any inclusion by reference to the above documents is further limited to the extent that no claims contained in the documents are incorporated herein by reference. Any inclusion of documents by reference is further restricted in that definitions contained in the documents are not included by reference unless they are expressly included here.

Für die Zwecke der Auslegung der Ansprüche der vorliegenden Erfindung ist ausdrücklich beabsichtigt, dass die Bestimmungen von Abschnitt 112, sechster Absatz des 35 U.S.C. nicht herangezogen werden sollen, es sei denn, die spezifischen Begriffe „Mittel für“ oder „Schritt für“ werden in einem Anspruch rezitiert.For the purposes of interpreting the claims of the present invention, it is expressly intended that the provisions of Section 112 , sixth paragraph of 35 USC should not be relied on unless the specific terms “means for” or “step for” are recited in a claim.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent literature cited

US 2010138264 A1 [0005]US 2010138264 A1 [0005]
US 20180101814 A1 [0006]US 20180101814 A1 [0006]
US 9600779 B2 [0007]US 9600779 B2 [0007]
US 6611726 B1 [0008]US 6611726 B1 [0008]
US 7610212 B2 [0050]US 7610212 B2 [0050]
US 8015044 B2 [0050]US 8015044 B2 [0050]
US 9292573 B2 [0050]US 9292573 B2 [0050]

Claims

Ein Computer-implementiertes Verfahren, umfassend: Erhalt historischer Vorlaufzeit-Daten bezogen auf eine Lieferkette; Vorverarbeiten der historischen Vorlaufzeit-Daten zu einem verarbeiteten Datensatz; und Trainieren eines Machine-Learning-Modells auf dem verarbeiteten Datensatz, wobei Trainieren das Clustern des verarbeiteten Datensatzes in eine Vielzahl von Clustern basierend auf vordefinierten Merkmalen umfasst.A computer implemented method comprising: Receipt of historical lead time data related to a supply chain; Preprocessing the historical lead time data into a processed data set; and Training a machine learning model on the processed data set, wherein training comprises clustering the processed data set into a plurality of clusters based on predefined characteristics.

Das Computer-implementierte Verfahren nach Anspruch 1, wobei: Trainieren umfasst: Aufteilen des verarbeiteten Datensatzes in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten, wobei der erste Teil aus mehr als 50% der Datenpunkte besteht, der zweite Teil aus weniger als 50% der Datenpunkte besteht; Trainieren jedes einer Vielzahl von Machine-Learning-Modellen auf dem ersten Teil; Testen jedes der Vielzahl von Machine-Learning-Modellen auf dem zweiten Teil; Auswählen eines Machine-Learning-Modells, das die größte Genauigkeit beim Testen des zweiten Teils aufweist und das ausgewählte Machine-Learning-Modell auf dem verarbeiteten Datensatz erneut trainieren.The computer-implemented method according to Claim 1 wherein: training comprises: dividing the processed data set into a first part of data points and a second part of data points, the first part consisting of more than 50% of the data points, the second part consisting of less than 50% of the data points; Training each of a variety of machine learning models on the first part; Testing each of the plurality of machine learning models on the second part; Select a machine learning model that has the greatest accuracy when testing the second part and retrain the selected machine learning model on the processed data set.

Das Computer-implementierte Verfahren nach Anspruch 2, wobei der erste Teil aus 51%-80% der Datenpunkte besteht und der zweite Teil aus 20%-49% der Datenpunkte besteht, so dass der erste und zweite Teil insgesamt 100% der Datenpunkte ausmachen.The computer-implemented method according to Claim 2 , where the first part consists of 51% -80% of the data points and the second part consists of 20% -49% of the data points, so that the first and second parts make up 100% of the data points in total.

Das Computer-implementierte Verfahren nach Anspruch 2, wobei die Vielzahl der Machine-Learning-Modelle Adaboost-Regressor, FB-Prophet, lineare Regression, Mittelwert und Median umfasst.The computer-implemented method according to Claim 2 , whereby the multitude of machine learning models includes Adaboost regressor, FB prophet, linear regression, mean and median.

Das Computer-implementierte Verfahren nach Anspruch 1, wobei die historischen Vorlaufzeit-Daten über einen Zeitraum von zwei Jahren liegen.The computer-implemented method according to Claim 1 , where the historical lead time data is over a period of two years.

Das Computer-implementierte Verfahren nach Anspruch 1, weiterhin umfassend: Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette basierend auf dem verarbeiteten Datensatz.The computer-implemented method according to Claim 1 , further comprehensive: Predictions of future lead times of the supply chain based on the processed data set.

Das Computer-implementierte Verfahren nach Anspruch 6, wobei Vorhersagen das Bereitstellen von monatlichen zukünftigen Vorlaufzeit-Daten basierend auf einem monatlichen Durchschnitt von täglichen zukünftigen Vorlaufzeit-Daten umfasst.The computer-implemented method according to Claim 6 wherein forecasting comprises providing monthly future lead time data based on a monthly average of daily future lead time data.

Das Verfahren nach Anspruch 1, weiterhin umfassend: Empfangen von Toleranzkriterien für die Aufteilung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf den mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeit-Daten und den historischen geplanten Vorlaufzeit-Daten; und Trennen der historischen Vorlaufzeitdaten in die Vielzahl von Toleranzzonen.The procedure after Claim 1 , further comprising: receiving tolerance criteria for dividing the historical lead time data into a plurality of tolerance zones based on the mean absolute differences between the actual lead time data and the historical planned lead time data; and separating the historical lead time data into the plurality of tolerance zones.

Das Verfahren nach Anspruch 8, weiterhin umfassend: Vorhersagen zukünftiger Vorlaufzeiten der Lieferkette basierend auf dem verarbeiteten Datensatz; und Ersetzen der zukünftigen geplanten Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit einem für jede Toleranzzone definierten Aktionskriterium;The procedure after Claim 8 , further comprising: predicting future supply chain lead times based on the processed data set; and replacing the future planned lead times with the future lead times in accordance with an action criterion defined for each tolerance zone;

Das Verfahren nach Anspruch 8, weiterhin umfassend: Verarbeiten der Toleranzzonen; Ersetzen der zukünftigen geplanten Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit dem Aktionskriterium; und Identifizieren der Cluster, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.The procedure after Claim 8 , further comprising: processing the tolerance zones; Replacing the future planned lead times with the future lead times in accordance with the action criterion; and identifying the clusters that have the largest absolute median differences between the actual lead times and the planned lead times.

Das Computer-implementierte Verfahren nach Anspruch 1, wobei das Clustering umfasst: Trennen des verarbeiteten Datensatzes in Gruppen basierend auf einer Dichte von Datenpunkten und der Linearität der historischen Vorlaufzeiten; Durchführen einer Clusteranalyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe, wobei die vordefinierten Merkmale aus Saisonalität und Linearität ausgewählt sind; Beschneiden jedes Clusters; und Aufteilen jedes Clusters in eine Vielzahl von Sub-Clustern.The computer-implemented method according to Claim 1 wherein the clustering comprises: separating the processed data set into groups based on a density of data points and the linearity of historical lead times; Performing a cluster analysis based on each of the predefined features within each group, the predefined features being selected from seasonality and linearity; Pruning each cluster; and Divide each cluster into a number of sub-clusters.

Das Verfahren nach Anspruch 11, weiterhin umfassend: Trennen der Vielzahl von Clustern in Übereinstimmung mit der Toleranzzone der jeweiligen Gruppe; weiterhin Trennen der Vielzahl von Clustern gemäß der Vorlaufzeit-Kennungen; und; Identifizieren von Clustern innerhalb der getrennten Cluster, die im Median die größten absoluten Differenzen zwischen tatsächlichen Vorlaufzeiten und geplanten Vorlaufzeiten aufweisen.The procedure after Claim 11 , further comprising: separating the plurality of clusters in accordance with the tolerance zone of the respective group; further separating the plurality of clusters according to the lead time identifiers; and; Identify clusters within the separate clusters that have the largest absolute median differences between actual lead times and planned lead times.

Eine Rechenvorrichtung, wobei die Rechenvorrichtung umfassend: ein Prozessor; und ein Speicher, der Befehle speichert, die, wenn sie vom Prozessor ausgeführt werden, die Vorrichtung konfigurieren, um: historische Vorlaufzeit-Daten in Bezug auf eine Lieferkette zu erhalten; die historischen Vorlaufzeit-Daten zu einem verarbeiteten Datensatz vorzuverarbeiten; und ein Machine-Learning-Modell auf dem verarbeiteten Datensatz zu trainieren, wobei das Trainieren das Clustern des verarbeiteten Datensatzes in eine Vielzahl von Clustern basierend auf vordefinierten Merkmalen umfasst.A computing device, the computing device comprising: a processor; and a memory that stores instructions which, when executed by the processor, configure the device to: obtain historical lead time data related to a supply chain; preprocess the historical lead time data into a processed data set; and train a machine learning model on the processed data set, the training comprising clustering the processed data set into a plurality of clusters based on predefined features.

Die Rechenvorrichtung nach Anspruch 13, wobei: Trainieren umfasst: Aufteilen des verarbeiteten Datensatzes in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten, wobei der erste Teil aus mehr als 50% der Datenpunkte besteht, der zweite Teil aus weniger als 50% der Datenpunkte besteht; jedes einer Vielzahl von Machine-Learning-Modellen auf dem ersten Teil zu trainieren; jedes der Vielzahl von Machine-Learning-Modelle auf dem zweiten Teil zu testen; ein Machine-Learning-Modell auszuwählen, das beim Testen des zweiten Teils die größte Genauigkeit aufweist und das ausgewählte Machine-Learning-Modell auf dem verarbeiteten Datensatz erneut zu trainieren.The computing device according to Claim 13 wherein: training comprises: dividing the processed data set into a first part of data points and a second part of data points, the first part consisting of more than 50% of the data points, the second part consisting of less than 50% of the data points; train each of a plurality of machine learning models on the first part; test each of the plurality of machine learning models on the second part; select a machine learning model that has the greatest accuracy when testing the second part and retrain the selected machine learning model on the processed data set.

Die Rechenvorrichtung nach Anspruch 14, wobei der erste Teil aus 51%-80% der Datenpunkte besteht und der zweite Teil aus 20%-49% der Datenpunkte besteht, so dass der erste und zweite Teil insgesamt 100% der Datenpunkte ausmachen.The computing device according to Claim 14 , where the first part consists of 51% -80% of the data points and the second part consists of 20% -49% of the data points, so that the first and second parts make up a total of 100% of the data points.

Die Rechenvorrichtung nach Anspruch 14, wobei die Vielzahl der Machine-Learning-Modelle Adaboost-Regressor, FB-Prophet, lineare Regression, Mittelwert und Median umfasst.The computing device according to Claim 14 , whereby the multitude of machine learning models includes Adaboost regressor, FB prophet, linear regression, mean and median.

Die Rechenvorrichtung nach Anspruch 13, wobei die historischen Vorlaufzeit-Daten über einen Zeitraum von zwei Jahren liegen.The computing device according to Claim 13 , where the historical lead time data is over a period of two years.

Die Rechenvorrichtung nach Anspruch 13, wobei die Befehle die Vorrichtung weiterhin konfigurieren, um: zukünftige Vorlaufzeiten der Lieferkette basierend auf dem verarbeiteten Datensatz vorherzusagen.The computing device according to Claim 13 wherein the commands further configure the apparatus to: predict future supply chain lead times based on the processed data set.

Die Rechenvorrichtung nach Anspruch 18, wobei die Vorhersagen das Bereitstellen von monatlichen zukünftigen Vorlaufzeit-Daten basierend auf einem monatlichen Durchschnitt von täglichen zukünftigen Vorlaufzeit-Daten umfasst.The computing device according to Claim 18 wherein the forecasting comprises providing monthly future lead time data based on a monthly average of daily future lead time data.

Die Rechenvorrichtung nach Anspruch 13, wobei die Befehle die Vorrichtung weiterhin konfigurieren, um: Toleranzkriterien zur Aufteilung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf den mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeit-Daten und den historischen geplanten Vorlaufzeit-Daten zu empfangen; und die historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen zu trennen.The computing device according to Claim 13 wherein the instructions further configure the apparatus to: receive tolerance criteria for dividing the historical lead time data into a plurality of tolerance zones based on the mean absolute differences between the actual lead time data and the historical planned lead time data; and separate the historical lead time data into a variety of tolerance zones.

Die Rechenvorrichtung nach Anspruch 20, wobei die Befehle die Vorrichtung weiterhin konfigurieren, um: zukünftige Vorlaufzeiten der Lieferkette basierend auf dem verarbeiteten Datensatz vorherzusagen; und zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit einem für jede Toleranzzone definierten Aktionskriterium zu ersetzen;The computing device according to Claim 20 wherein the commands further configure the apparatus to: predict future supply chain lead times based on the processed data set; and replace future planned lead times with the future lead times in accordance with an action criterion defined for each tolerance zone;

Die Rechenvorrichtung nach Anspruch 20, wobei die Befehle die Vorrichtung weiterhin konfigurieren, um: die Toleranzzonen zu verarbeiten; zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit dem Aktionskriterium zu ersetzen; und die Cluster zu identifizieren, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.The computing device according to Claim 20 wherein the commands further configure the apparatus to: process the tolerance zones; replace future planned lead times with future lead times in accordance with the action criterion; and Identify the clusters that have the greatest absolute median differences between the actual lead times and the planned lead times.

Die Rechenvorrichtung nach Anspruch 13, wobei das Clustering umfasst: den verarbeiteten Datensatz basierend auf einer Dichte von Datenpunkten und der Linearität der historischen Vorlaufzeiten in Gruppen zu trennen; eine Clusteranalyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe durchzuführen, mit den vordefinierten Merkmalen ausgewählt aus Saisonalität und Linearität; jedes Cluster zu beschneiden; und jedes Cluster in eine Vielzahl von Sub-Clustern aufzuteilen.The computing device according to Claim 13 wherein the clustering comprises: separating the processed data set into groups based on a density of data points and the linearity of historical lead times; perform a cluster analysis based on each of the predefined features within each group, with the predefined features selected from seasonality and linearity; prune each cluster; and divide each cluster into a plurality of sub-clusters.

Die Rechenvorrichtung nach Anspruch 23, wobei die Befehle die Vorrichtung weiterhin konfigurieren, um: die Vielzahl von Clustern in Übereinstimmung mit der Toleranzzone jeder Gruppe zu trennen; die Vielzahl von Clustern weiterhin gemäß der Vorlaufzeit-Kennungen zu trennen; und innerhalb der getrennten Cluster die Cluster zu identifizieren, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.The computing device according to Claim 23 wherein the instructions further configure the apparatus to: separate the plurality of clusters in accordance with the tolerance zone of each group; further separating the plurality of clusters according to the lead time identifiers; and to identify the clusters within the separate clusters that have the greatest absolute median differences between the actual lead times and the planned lead times.

Ein nicht-transitorisches, Computer-lesbares Speichermedium, wobei das Computer-lesbare Speichermedium Befehle beinhaltet, die, wenn sie von einem Computer ausgeführt werden, den Computer veranlassen: historische Vorlaufzeit-Daten in Bezug auf eine Lieferkette zu erhalten; die historischen Vorlaufzeit-Daten zu einem verarbeiteten Datensatz vorzuverarbeiten; und ein Machine-Learning-Modell auf dem verarbeiteten Datensatz zu trainieren, wobei das Trainieren das Clustern des verarbeiteten Datensatzes in eine Vielzahl von Clustern basierend auf vordefinierten Merkmalen umfasst.A non-transitory, computer-readable storage medium, the computer-readable storage medium including instructions which, when executed by a computer, cause the computer to: obtain historical lead time data related to a supply chain; preprocess the historical lead time data into a processed data set; and train a machine learning model on the processed data set, the training comprising clustering the processed data set into a plurality of clusters based on predefined features.

Das Computer-lesbare Speichermedium nach Anspruch 25, wobei: Trainieren umfasst: den verarbeiteten Datensatz in einen ersten Teil von Datenpunkten und einen zweiten Teil von Datenpunkten aufzuteilen, wobei der erste Teil aus mehr als 50% der Datenpunkte besteht, der zweite Teil aus weniger als 50% der Datenpunkte besteht; jedes einer Vielzahl von Machine-Learning-Modellen auf dem ersten Teil zu trainieren; jedes der Vielzahl von Machine-Learning-Modellen auf dem zweiten Teil zu testen; ein Machine-Learning-Modell auszuwählen, das beim Testen des zweiten Teils die größte Genauigkeit aufweist; und das ausgewählte Machine-Learning-Modell mit dem verarbeiteten Datensatz erneut zu trainieren.The computer-readable storage medium according to Claim 25 wherein: training comprises: dividing the processed data set into a first part of data points and a second part of data points, the first part consisting of more than 50% of the data points, the second part consisting of less than 50% of the data points; train each of a plurality of machine learning models on the first part; test each of the plurality of machine learning models on the second part; select a machine learning model that is most accurate when testing the second part; and retrain the selected machine learning model with the processed data set.

Das Computer-lesbare Speichermedium nach Anspruch 26, wobei der erste Teil aus 51%-80% der Datenpunkte besteht und der zweite Teil aus 20%-49% der Datenpunkte besteht, so dass der erste und zweite Teil insgesamt 100% der Datenpunkte ausmachen.The computer-readable storage medium according to Claim 26 , where the first part consists of 51% -80% of the data points and the second part consists of 20% -49% of the data points, so that the first and second parts make up a total of 100% of the data points.

Das Computer-lesbare Speichermedium nach Anspruch 26, wobei die Vielzahl der Machine-Learning-Modelle Adaboost Regressor, FB Prophet, lineare Regression, Mittelwert und Median umfasst.The computer-readable storage medium according to Claim 26 , whereby the multitude of machine learning models includes Adaboost Regressor, FB Prophet, linear regression, mean and median.

Das Computer-lesbare Speichermedium nach Anspruch 25, wobei die historischen Vorlaufzeit-Daten über einen Zeitraum von zwei Jahren liegen.The computer-readable storage medium according to Claim 25 , where the historical lead time data is over a period of two years.

Das Computer-lesbare Speichermedium nach Anspruch 25, wobei die Befehle den Computer weiterhin konfigurieren, um: zukünftige Vorlaufzeiten der Lieferkette basierend auf dem verarbeiteten Datensatz vorherzusagen.The computer-readable storage medium according to Claim 25 wherein the commands further configure the computer to: Predict future supply chain lead times based on the data set being processed.

Das Computer-lesbare Speichermedium nach Anspruch 30, wobei Vorhersagen das Bereitstellen von monatlichen zukünftigen Vorlaufzeit-Daten basierend auf einem monatlichen Durchschnitt von täglichen zukünftigen Vorlaufzeit-Daten umfasst.The computer-readable storage medium according to Claim 30 wherein forecasting comprises providing monthly future lead time data based on a monthly average of daily future lead time data.

Das Computer-lesbare Speichermedium nach Anspruch 25, wobei die Befehle den Computer weiterhin konfigurieren, um: Toleranzkriterien zur Aufteilung der historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen basierend auf den mittleren absoluten Differenzen zwischen den tatsächlichen Vorlaufzeit-Daten und den historischen geplanten Vorlaufzeit-Daten zu empfangen; und die historischen Vorlaufzeit-Daten in eine Vielzahl von Toleranzzonen zu trennen.The computer-readable storage medium according to Claim 25 wherein the instructions further configure the computer to: receive tolerance criteria for dividing the historical lead time data into a plurality of tolerance zones based on the mean absolute differences between the actual lead time data and the historical planned lead time data; and separate the historical lead time data into a variety of tolerance zones.

Das Computer-lesbare Speichermedium nach Anspruch 32, wobei die Befehle den Computer weiterhin konfigurieren, um: zukünftige Vorlaufzeiten der Lieferkette basierend auf dem verarbeiteten Datensatz vorherzusagen; und zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit einem für jede Toleranzzone definierten Aktionskriterium zu ersetzen;The computer-readable storage medium according to Claim 32 wherein the commands further configure the computer to: predict future supply chain lead times based on the processed data set; and replace future planned lead times with the future lead times in accordance with an action criterion defined for each tolerance zone;

Das Computer-lesbare Speichermedium nach Anspruch 32, wobei die Befehle den Computer weiterhin konfigurieren, um: die Toleranzzonen zu verarbeiten; zukünftige geplante Vorlaufzeiten durch die zukünftigen Vorlaufzeiten in Übereinstimmung mit dem Aktionskriterium zu ersetzen; und die Cluster zu identifizieren, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.The computer-readable storage medium according to Claim 32 wherein the commands further configure the computer to: process the tolerance zones; replace future planned lead times with future lead times in accordance with the action criterion; and identify the clusters that have the largest absolute median differences between actual lead times and planned lead times.

Das Computer-lesbare Speichermedium nach Anspruch 25, wobei Clustering umfasst: den verarbeiteten Datensatz basierend auf einer Dichte von Datenpunkten und der Linearität der historischen Vorlaufzeiten in Gruppen zu trennen; eine Clusteranalyse basierend auf jedem der vordefinierten Merkmale innerhalb jeder Gruppe durchzuführen, wobei die vordefinierten Merkmale aus Saisonalität und Linearität ausgewählt sind; jedes Cluster zu beschneiden; und jedes Cluster in eine Vielzahl von Subclustern aufzuteilen.The computer-readable storage medium according to Claim 25 wherein clustering comprises: separating the processed data set into groups based on a density of data points and the linearity of historical lead times; perform a cluster analysis based on each of the predefined features within each group, the predefined features selected from seasonality and linearity; prune each cluster; and divide each cluster into a plurality of sub-clusters.

Das Computer-lesbare Speichermedium nach Anspruch 35, wobei die Befehle den Computer weiterhin konfigurieren, um: die Vielzahl von Clustern in Übereinstimmung mit der Toleranzzone jeder Gruppe zu trennen; die Vielzahl von Clustern weiterhin gemäß der Vorlaufzeit-Kennungen zu trennen; and innerhalb der getrennten Cluster die Cluster zu identifizieren, die im Median die größten absoluten Unterschiede zwischen den tatsächlichen Vorlaufzeiten und den geplanten Vorlaufzeiten aufweisen.The computer-readable storage medium according to Claim 35 wherein the instructions further configure the computer to: separate the plurality of clusters in accordance with the tolerance zone of each group; further separating the plurality of clusters according to the lead time identifiers; and to identify the clusters within the separate clusters that show the greatest absolute median differences between the actual lead times and the planned lead times.